Leveraging CNNs and Ensemble Learning for Automated Disaster Image Classification

要約

自然災害は世界的に深刻な脅威となっており、効果的かつ効率的な災害管理と復旧が求められています。
この論文では、畳み込みニューラル ネットワーク (CNN) を使用した自然災害画像の分類に焦点を当てています。
複数の CNN アーキテクチャが構築され、地震、洪水、山火事、火山の画像を含むデータセット上でトレーニングされました。
スタック型 CNN アンサンブル アプローチが最も効果的であることが証明され、95% の精度を達成し、個々のクラスの F1 スコアは 0.96 に達しました。
モデルのパフォーマンスを最大化するには、最適化のために個々のモデルのハイパーパラメーターを調整することが重要でした。
メタモデルとして機能する XGBoost を使用して CNN をスタッキングすると、CNN と ResNet モデルの長所が活用され、分類の全体的な精度が向上します。
モデルから得られた結果は、自動災害画像分類における CNN ベースのモデルの有効性を示しています。
これは、これらの技術を拡張して、災害対応、被害評価、復旧管理のための堅牢なシステムを構築するための基礎を築きます。

要約(オリジナル)

Natural disasters act as a serious threat globally, requiring effective and efficient disaster management and recovery. This paper focuses on classifying natural disaster images using Convolutional Neural Networks (CNNs). Multiple CNN architectures were built and trained on a dataset containing images of earthquakes, floods, wildfires, and volcanoes. A stacked CNN ensemble approach proved to be the most effective, achieving 95% accuracy and an F1 score going up to 0.96 for individual classes. Tuning hyperparameters of individual models for optimization was critical to maximize the models’ performance. The stacking of CNNs with XGBoost acting as the meta-model utilizes the strengths of the CNN and ResNet models to improve the overall accuracy of the classification. Results obtained from the models illustrated the potency of CNN-based models for automated disaster image classification. This lays the foundation for expanding these techniques to build robust systems for disaster response, damage assessment, and recovery management.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google