The impact of training dataset on a vision-based smart road sensor to measure the level of flood on the streets
Notice bibliographique
Résumé
With recent advancements in Artificial Intelligence (AI) and decreases in computing costs, early warning systems have become affordable and popular in many different applications such as smart cities, and disaster management. AI and the Internet of Things (IoT) enable the automatic detection of different incidences, such as flash flooding. The IoT solutions at the scene of an emergency, enable capturing various data and sharing in real-time with first responders. The accuracy of flood level estimation is critical for proper emergency response. This is while the accuracy depends on multiple factors, such as camera properties, the brightness of the environment, training data size, etc. In this research, we focus on the impact of training dataset size, the number of classes, and the labelling method of training data on the accuracy of the proposed Machine Learning (ML) method. A vision-based smart road sensor was developed to detect flood occurrences in urban areas, which can be used as a sub-module of an early warning system. We used the portion of cars’ tires that is visible to the camera as an indicator to detect and classify the depth of standing water into four classes: “no-water”, “low-level”, “high-level”, and “water-splash”. A Convolutional Neural Network (CNN) called You Only Look Once (YOLO) was trained for this matter. The results showed that the accuracy of the trained CNN depends on multiple factors. In this study, we evaluated and studied the impact of the training data size, the number of classes, and the labelling method of training data on the accuracy of the early warning system.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».