Object Detection Using Convolutional Neural Networks for Natural Disaster Recovery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle