头条
Dao Wei
场景介绍:通过比对受灾地区前后的卫星影像,标注出守在建筑和判断地区受灾程度,帮助救援资源的合理调配。
关键词:自然防灾、图像识别、卫星影像、卷积神经网络、物体识别
去年秋天,加利福尼亚州的山火疯狂肆虐了三周。它是美国一个世纪以来最致命的野火灾难,共夺走了 85 个生命,毁坏了约 14 万栋住宅。
据统计,全球每年会有几百次自然灾害发生,灾害导致近 5 万人死亡,数千万人流离失所,每年因为灾害造成的经济损失超过 1000 亿美元。
在自然灾害发生后,传统的应对方式是救援人员通过现场观察、救援电话等方式,来确定如何部署救援资源,耗时而且低效。
而救灾工作中,及时掌握全面而准确的信息,以实现资源的合理分配,是至关重要的。现在通过机器学习,就能够帮助我们与时间赛跑,挽回更多生命和损失。
在这次加州大火中,就有一家叫 CrowdAI 的公司通过卫星数据,综合图像视觉技术参与了救援。
CrowdAI 使用 Spacenet 和 Deepglobe 的卫星图像,以及 DigitalGlobe 和 Planet Labs 的数据,训练卷积神经网络。
只需一秒钟的时间,就能预测和评估受灾程度,再将评估结果报告给救援指挥中心,帮助科学调配救援资源,制定更科学的救援方案。
借助于 CrowdAI 自定义的深度学习模型,除了标注常规的房屋建筑,还扩大到了独立结构,比如车棚、公用设施棚和谷仓等。
在此次火灾中,从卫星图像中识别出结构后,根据受灾前后的图像对比, AI 模型用红点标识出损坏所在的位置。
拓展到整个地区,通过标记点的数量定出受灾的严重程度,就能用不同的颜色区别出受灾的严重程度。
最后在 Google Earth 或 ArcGIS 上标记出来,就能为救灾和重建工作做出指导。
对于不断追求评估速度的目标,CrowdAI 的创始人兼首席执行官 Devaki Raj 说到,「当灾难发生时,我们必须要快速的给出预测,这就是我们需要这种速度的原因。」
很多救援人员和级政府官员,通过这些快速生成的数据,更合理的协调了救援工作,这提升了解决紧要问题的效率。
「在过去的十年中,大量的卫星和无人机数据陆续上线,」CrowdAI 的创始人兼首席执行官 Devaki Raj 说,「我们正在使用计算机视觉方面的最新进展,来处理这些数据。」
为了尽可能准确的完成受灾情况的评估,之前的方法需要很大量的数据训练,但 CrowdAI 的机器学习负责人 Jigar Doshi 提到,「因为机器视觉技术已经很成熟了,我们不需要训练很大的模型(对受灾情况),就能进行有效的评估。」
CrowdAI 与其他利用卫星图像,通过计算机视觉等技术,提供数据服务的公司差不多,稍有不同的是,他们在把精力主要投入在自然灾害方面。
在去年飓风迈克尔侵袭之后,CrowdAI 与电信供应商 WOW 合作,评估佛罗里达州巴拿马城的建筑物损坏情况。根据 NOAA 提供的城市卫星图像,他们提供的数据帮助 WOW ,将工作人按照受灾程度进行合理的部署,以实现快速的恢复。
CrowdAI 还与 Facebook AI 进行过合作,研究飓风和火灾造成损失的评估工作。他们的研究成果 《From Satellite Imagery to Disaster Insights》也被 NeurIPS 会议所接受。
在论文中,他们的研究达到了很好的效果:在 2017 年德克萨斯州附近被飓风哈维损坏的道路识别时,达到了 88.8% 的准确率,而在 Santa Rosa 火灾中识别损坏建筑物时准确率达到了 81.1%。
此外,CrowdAI 的另一篇文章 《Residual Inception Skip Network for Binary Segmentation》,是关于从卫星图像中识别道路网络的工作,被另一个顶级会议 CVPR 所接受。
而在灾难预测的方面, CrowdAI 也在探索能够预测到的灾害模型,据称,他们在尝试通过整合风力、降水和社交媒体等数据,积极开发能超越卫星图像的深度学习工具。
谷歌和麦肯锡全球研究所做过一份报告,主旨是关于 AI 造福人类的案例,报告中提到,「AI 能更准确地提供救援工作和应急准备,相比于人类救援要更快速,而且适用范围更广。」
毋庸置疑,在目前诸多针对卫星数据的机器学习案例中,多数是工业化和商业化的目标,而 CrowdAI 给了卫星数据更有人文关怀的应用场景,也让智能更有温度。