يقوم معهد ماساتشوستس للتكنولوجيا بتحديث أكبر مجموعة بيانات لصور الكوارث الطبيعية، والتي تغطي 19 حدثًا كارثيًا
أصدر معهد ماساتشوستس للتكنولوجيا مجموعة بيانات من صور الكوارث الطبيعية في ورقة بحثية حديثة تم تقديمها في مؤتمر ECCV 2020. وهذه هي أكبر مجموعة بيانات وأعلى جودة لصور الأقمار الصناعية للكوارث الطبيعية حتى الآن.
عام 2020 هو عام مليء بالكوارث. الوباء الذي اندلع في بداية العام، والفيضانات في الجنوب في الصيف، وحرائق الغابات الأخيرة في كاليفورنيا بالولايات المتحدة الأمريكية...
إن الكوارث الطبيعية مثل الفيضانات وحرائق الغابات والزلازل تهدد دائمًا حياة الناس وممتلكاتهم. في الحالات التي لا يمكن تجنبها،وإذا تمكنا من اكتشاف بعض التغييرات الدقيقة في الوقت المناسب وبسرعة، فسوف نتمكن من صياغة خطط الإنقاذ المناسبة بشكل أفضل وتخصيص الموارد بشكل أكثر معقولية، وهو ما سيساعد أيضاً في الإبلاغ عن الأخبار ذات الصلة.
لذا، في ورقة بحثية جديدة، نشر إيثان ويبر، طالب الماجستير في الهندسة بمعهد ماساتشوستس للتكنولوجيا، وزميله حسن كان، تقييم أضرار الكوارث في المباني باستخدام صور الأقمار الصناعية باستخدام الاندماج متعدد الأزمنةتم اقتراح نموذج التعلم العميق فييمكن تقييم صور الأقمار الصناعية للمناطق المتضررة بشكل أسرع وأكثر دقة، مما يوفر المزيد من الوقت لرجال الإنقاذ ويقلل الأضرار.
وفي الوقت نفسه، أصدروا أيضًا مجموعة بيانات جديدة لصور الأقمار الصناعية لتقييم الأضرار، والتي تأخذ البحث في مجال اكتشاف الأحداث بالصور إلى مستوى أبعد وتمكن الباحثين من تحديد الخسائر وقياسها بدقة أكبر.
سباق مع الزمن مع الذكاء الاصطناعي: تسريع تقييم الكوارث
في حالة الكوارث الطبيعية، من الضروري أن تعمل فرق الطوارئ الموجودة في الموقع على تقليل وقت رد الفعل والاستجابة بسرعة واتخاذ الإجراءات بسرعة لتقليل الخسائر وإنقاذ الأرواح.ومن المهم أيضًا أن يفهم المستجيبون للطوارئ الموقع الدقيق وخطورة الأضرار حتى يتمكنوا من نشر الموارد بشكل أفضل في المناطق المتضررة.
في الوقت الحالي، يقوم أفراد الطوارئ عادة بتقييم مدى أضرار الكارثة من خلال مراقبة صور الأقمار الصناعية يدويًا، ولكن عملية التقييم قد تستغرق عدة ساعات، وهو أمر غير موات للغاية لأعمال الإنقاذ.
مساهمة إيثان ويبر في هذه الدراسة هي أنإنشاء أدوات تقوم بتحليل الصور تلقائيًا، وتقليل وقت تحليل الصور، والفوز في السباق مع الزمن.
بالإضافة إلى ذلك، يمكن لأبحاثهم تحقيق أداء أفضل من خلال توفير صور ما قبل الكارثة وما بعدها بشكل مستقل من خلال CNN (الشبكة العصبية التلافيفية) ذات الأوزان المشتركة.
واقترحوا أيضًا نموذجًا جديدًا للرؤية الحاسوبية يمكنه اكتشاف الأحداث في الصور المنشورة على منصات التواصل الاجتماعي مثل تويتر وفليكر.
22068 صورة تحمل علامة 19 كارثة طبيعية
بالإضافة إلى اقتراح نموذج جديد،كما أصدر فريق البحث أيضًا مجموعة بيانات جديدة للأحداث: مجموعة بيانات xBD.
تحتوي مجموعة البيانات على 22,068 صورة تحمل علامات 19 حدثًا مختلفًا.وتشمل هذه الكوارث الزلازل والفيضانات وحرائق الغابات والانفجارات البركانية وحوادث السيارات. تتضمن هذه الصور صورًا قبل الكارثة وبعدها، والتي يمكن استخدامها لبناء مهمتين: تحديد المواقع وتقييم الأضرار.
وفقا للمقدمة،تُعد مجموعة بيانات xBD أول مجموعة بيانات لتقييم أضرار المباني حتى الآن، وهي واحدة من أكبر وأعلى مجموعات البيانات العامة جودة للصور عالية الدقة الموضحة بالأقمار الصناعية.معلوماتها الأساسية هي كما يلي:
مجموعة بيانات xBD
وكالة النشر: معهد ماساتشوستس للتكنولوجيا
الكمية المتضمنة:22068 صورة
تنسيق البيانات:بابوا نيو غينيا
حجم البيانات:31.2 جيجابايت
وقت التحديث:أغسطس 2020
عنوان التنزيل:https://orion.hyper.ai/datasets/13272
وتتمتع الصور بدقة 1024×1024، مع معرفات لكل مبنى، والتي تظل متسقة عبر الصور قبل الكارثة وبعدها.
لكن الباحثين وجدوا أن دقة المباني كانت في كثير من الأحيان صغيرة للغاية بحيث لا يتمكن النموذج من رسم حدود المباني بدقة. وللقيام بذلك، قاموا بتدريب النموذج وتشغيله على 4 صور بحجم 512×512، لتشكيل الأرباع العلوية اليسرى، والعلوية اليمنى، والسفلى اليسرى، والسفلى اليمنى.
وبناءً على هذه البيانات قبل الكارثة وبعدها، يمكن تعريف تقييم الأضرار على أنها مهام زمنية واحدة ومهام زمنية متعددة.في الإعداد الزمني الفردي، يتم إدخال الصور التي التقطت بعد الكارثة فقط إلى النموذج، والذي يتعين عليه التنبؤ بمستوى الضرر لكل بكسل. في سياق متعدد الأزمنة، يتم إدخال صور ما قبل الكارثة وما بعدها إلى النموذج، والذي يجب أن يتنبأ بمدى الضرر في الصور اللاحقة.
من أين تأتي مجموعة البيانات؟
ويقول الفريق إن مجموعة البيانات الجديدة تهدف إلى سد الفجوة في هذا المجال.إن مجموعات البيانات الحالية محدودة من حيث عدد الصور وتنوع فئات الأحداث.
يشرح المؤلفون أيضًا كيفية إنشاء مجموعة بيانات، وكيفية إنشاء نموذج لاكتشاف الأحداث في الصور، وكيفية تصفية الأحداث في بيانات وسائل التواصل الاجتماعي الصاخبة.
وكجزء من عملهم، قاموا بتصفية 40 مليون صورة من موقع فليكر للبحث عن الأحداث الكارثية.ومن الأعمال الأخرى تصفية الصور المنشورة على تويتر أثناء الزلازل والفيضانات والكوارث الطبيعية الأخرى.
على سبيل المثال، قام الفريق بتصفية التغريدات المتعلقة بالكوارث الطبيعية لأحداث محددة، ثم قام بالتحقق من صحة العملية من خلال ربط ترددات التغريدات بقاعدة بيانات قدمتها الإدارة الوطنية للمحيطات والغلاف الجوي (NOAA).
وقال إيثان ويبر: "أنا متحمس لإمكانية إجراء المزيد من الأبحاث في مجال اكتشاف الأحداث في الصور باستخدام مجموعة البيانات هذه، وقد كانت فعالة للغاية في إثارة الاهتمام في مجتمع الرؤية الحاسوبية".
وأضاف أن وسائل التواصل الاجتماعي وصور الأقمار الصناعية هي أشكال من البيانات التي يمكن أن تساعد في الاستجابة لحالات الطوارئ.وتوفر وسائل التواصل الاجتماعي مشاهدات ميدانية، في حين توفر صور الأقمار الصناعية رؤى واسعة النطاق، مثل تحديد المناطق الأكثر تضرراً من حرائق الغابات.
وتقديرًا لهذا الترابط، تعاون إيثان ويبر وزملاؤه الخريجون لإنتاج أعمال متميزة في تقييم الأضرار.
وقال إيثان ويبر: "الآن بعد أن حصلنا على البيانات، نحن مهتمون بتحديد حجم الضرر وقياسه". "نحن نعمل مع منظمات الاستجابة للطوارئ للبقاء مركزين وإجراء البحوث التي لها فوائد حقيقية في العالم الحقيقي."
وصولhttps://orion.hyper.ai/datasets/13127أو انقر هنا لقراءة النص الأصلي لتنزيل مجموعة البيانات بسرعة عالية.
-- زيادة--