Object Detection Using Convolutional Neural Networks for Natural Disaster Recovery
Notice bibliographique
Résumé
Natural disasters cause a great damage to human life.As these disasters occur naturally, no one can able to stop their occurrences.But for recovery there is a team named Disaster management or emergency management which helps in recovery of human loss.As recovering and analyzing the objects is not easy, it will be a tough challenge for Disaster management team to identify and process large amount of data in real-time.To make this simple and easy Convolutional Neural Networks (CNN) models are used for object detection of disaster's aftermath.As there are various types of natural disasters such as hurricanes, tsunamis, floods, earthquakes etc., this study focuses on floods and earthquake images for object detection by using neural networks which has the ability to recognize objects easily.The network is processed on the DISASTER dataset which contains 2423 images out of which 1073 images belong to Flood and 1350 images belong to Earthquake.In this study ResNet50, VGG-16 and VGG-19 pre-trained models are used.These pretrained models are CNN models which have been already trained on some sort of data.By using pre-trained models it will be more easy for object detection of flood and earthquake images.Among the three pre-trained models VGG-19 gets highest accuracy of 94.22%.As this study focused on floods and earthquake images for object detection.In future, by using different dataset and different images object detection will be done which will be helpful for recovery of human loss.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».