DisplaceNet: Erkennen vertriebener Menschen auf Bildern durch die Nutzung des Dominanzniveaus

Jährlich sind Millionen von Männern, Frauen und Kindern gezwungen, ihre Heime zu verlassen und Schutz vor Kriegen, Menschenrechtsverletzungen, Verfolgung und Naturkatastrophen zu suchen. Im Jahr 2017 wurde die Anzahl der gewaltsam Vertriebenen in einem Rekordtempo von 44.400 Personen pro Tag registriert, was das kumulative Gesamtzahl am Jahresende auf 68,5 Millionen erhöhte und die Bevölkerung des Vereinigten Königreichs überstieg. Bis zu 85 % der gewaltsam Vertriebenen finden Unterschlupf in niedrig- und mittelständigen Ländern, was einen verstärkten humanitären Beistand weltweit erfordert. Um die Menge an manueller Arbeit für die Analyse von Bildern im Zusammenhang mit Menschenrechten zu reduzieren, stellen wir DisplaceNet vor, ein neues Modell, das potenzielle vertriebene Menschen aus Bildern durch die Integration des Kontrolllevels der Situation und eines konventionellen Faltungsneuronalen Netzes (CNN) in ein einheitliches Framework für die Bildklassifizierung ableitet. Experimentelle Ergebnisse zeigen, dass DisplaceNet bis zu 4 % mehr Abdeckung – den Anteil eines Datensatzes, für den ein Klassifikator eine Vorhersage erstellen kann – als alleinige Verwendung eines CNN-Klassifikators erreicht. Unser Datensatz, unser Code und unsere trainierten Modelle werden online unter https://github.com/GKalliatakis/DisplaceNet zur Verfügung gestellt.