MIT Aktualisiert Den Größten Bilddatensatz Zu Naturkatastrophen, Der 19 Katastrophenereignisse Abdeckt

Das MIT hat in einem kürzlich auf der ECCV 2020 vorgestellten Artikel einen Datensatz mit Bildern von Naturkatastrophen veröffentlicht. Dabei handelt es sich um den bislang größten und qualitativ hochwertigsten Datensatz mit Satellitenbildern von Naturkatastrophen.

2020 ist ein Jahr voller Katastrophen. Die Epidemie, die zu Beginn des Jahres ausbrach, die Überschwemmungen im Süden im Sommer und die jüngsten Waldbrände in Kalifornien, USA ...

Naturkatastrophen wie Überschwemmungen, Waldbrände und Erdbeben bedrohen immer das Leben und Eigentum der Menschen. In Fällen, in denen es nicht vermieden werden kann,Wenn wir einige subtile Veränderungen rechtzeitig und schnell erkennen können, können wir entsprechende Rettungspläne besser formulieren und Ressourcen sinnvoller zuweisen, was auch dazu beiträgt, entsprechende Nachrichten zu melden.

Ethan Weber, Masterstudent im Ingenieurwesen am MIT, und sein Kollege Hassan Kan schreiben in einer neuen Arbeit: Bewertung von Gebäudeschäden durch Katastrophen in Satellitenbildern mit multitemporaler FusionEin Deep-Learning-Modell wird vorgeschlagen inSatellitenbilder beschädigter Gebiete können schneller und genauer beurteilt werden, wodurch den Ersthelfern mehr Zeit verschafft und der Schaden minimiert wird.

Gleichzeitig veröffentlichten sie einen neuen Datensatz mit Satellitenbildern zur Schadensbewertung, der die Forschung zur Bildereigniserkennung einen Schritt weiterbringt und es Forschern ermöglicht, Verluste genauer zu lokalisieren und zu quantifizieren.

Wettlauf gegen die Zeit mit KI: Katastrophenbewertung beschleunigen

Bei Naturkatastrophen ist es für die Notfallteams vor Ort von entscheidender Bedeutung, die Reaktionszeit zu verkürzen, schnell zu reagieren und rasch Maßnahmen zu ergreifen, um Verluste zu verringern und Leben zu retten.Für die Rettungskräfte ist es außerdem wichtig, den genauen Ort und das Ausmaß des Schadens zu kennen, um die Ressourcen in den betroffenen Gebieten besser einsetzen zu können.

Derzeit beurteilen Rettungskräfte das Ausmaß der Katastrophenschäden in der Regel durch manuelle Beobachtung von Satellitenbildern. Dieser Beurteilungsprozess kann jedoch mehrere Stunden dauern, was für die Rettungsarbeiten äußerst ungünstig ist.

Ethan Webers Beitrag zu dieser Studie besteht darin, dassErstellen Sie Tools, die Bilder automatisch analysieren, die Bildanalysezeit verkürzen und den Wettlauf gegen die Zeit gewinnen.

Darüber hinaus kann ihre Forschung eine bessere Leistung erzielen, indem sie unabhängig voneinander Bilder von vor und nach der Katastrophe durch CNN (Convolutional Neural Network) mit gemeinsamen Gewichten bereitstellt.

Sie schlugen außerdem ein neues Computervision-Modell vor, das Ereignisse in Bildern erkennen kann, die auf Social-Media-Plattformen wie Twitter und Flickr gepostet werden.

22068 Bilder mit 19 Naturkatastrophen beschriftet

Neben dem Vorschlag eines neuen Modells,Das Forschungsteam hat außerdem einen neuen Ereignisdatensatz veröffentlicht: den xBD-Datensatz.

Der Datensatz enthält 22.068 Bilder, die mit 19 verschiedenen Ereignissen beschriftet sind.Dazu zählen Erdbeben, Überschwemmungen, Waldbrände, Vulkanausbrüche und Autounfälle. Zu diesen Bildern gehören Bilder vor und nach der Katastrophe, die für zwei Aufgaben verwendet werden können: Positionierung und Schadensbewertung.

Laut der EinleitungDer xBD-Datensatz ist der bislang erste Datensatz zur Bewertung von Gebäudeschäden und einer der größten und qualitativ hochwertigsten öffentlichen Datensätze mit annotierten hochauflösenden Satellitenbildern.Die grundlegenden Informationen lauten wie folgt:

xBD-Datensatz

Verlag: MIT

Enthaltene Menge:22068 Bilder

Datenformat:png

Datengröße:31,2 GB

Aktualisierungszeit:August 2020

Downloadadresse:https://orion.hyper.ai/datasets/13272

Die Bilder haben eine Auflösung von 1024 x 1024 und enthalten Kennungen für jedes Gebäude, die auf den Bildern vor und nach der Katastrophe gleich bleiben.

Die Forscher stellten jedoch fest, dass die Auflösung der Gebäude oft zu gering war, als dass das Modell die Gebäudegrenzen genau zeichnen konnte. Dazu trainierten und führten sie das Modell anhand von vier 512×512-Bildern aus, die die Quadranten oben links, oben rechts, unten links und unten rechts bildeten.

Auf der Grundlage dieser Daten aus der Zeit vor und nach der Katastrophe kann die Schadensbewertung in Form von Aufgaben definiert werden, die sich auf einzelne oder mehrere Zeiträume beziehen.Im einzeitlichen Szenario werden dem Modell nur Bilder nach der Katastrophe zugeführt, die das Schadensausmaß für jedes Pixel vorhersagen müssen. In einem multitemporalen Kontext werden sowohl Bilder vor als auch nach der Katastrophe in das Modell eingespeist, das das Ausmaß der Schäden auf den Bildern nach der Katastrophe vorhersagen muss.

Woher stammt der Datensatz?

Das Team sagt, dass der neue Datensatz eine Lücke in diesem Bereich schließen soll.Vorhandene Datensätze sind sowohl hinsichtlich der Anzahl der Bilder als auch der Vielfalt der Ereigniskategorien begrenzt.

Die Autoren erklären außerdem, wie man einen Datensatz erstellt, wie man ein Modell zum Erkennen von Ereignissen in Bildern erstellt und wie man Ereignisse in verrauschten Social-Media-Daten filtert.

Im Rahmen ihrer Arbeit filterten sie 40 Millionen Flickr-Bilder, um nach Katastrophenereignissen zu suchen.Zu den weiteren Aufgaben gehört das Filtern von Bildern, die während Erdbeben, Überschwemmungen und anderen Naturkatastrophen auf Twitter gepostet werden.

Beispielsweise filterte das Team Tweets zu Naturkatastrophen nach bestimmten Ereignissen und validierte den Prozess, indem es die Tweet-Häufigkeiten mit einer Datenbank der National Oceanic and Atmospheric Administration (NOAA) korrelierte.

„Ich bin begeistert vom Potenzial dieses Datensatzes für weitere Forschungen zur Ereigniserkennung in Bildern und er hat das Interesse der Computer-Vision-Community sehr effektiv geweckt“, sagte Ethan Weber.

Er sagte auch, dass soziale Medien und Satellitenbilder Datenformen seien, die bei der Notfallreaktion hilfreich sein könnten.Soziale Medien liefern Beobachtungen vor Ort, während Satellitenbilder umfassende Erkenntnisse liefern, beispielsweise zur Identifizierung der am stärksten von Waldbränden betroffenen Gebiete.

In Anerkennung dieser Vernetzung haben Ethan Weber und seine ehemaligen Kommilitonen zusammengearbeitet und herausragende Arbeit auf dem Gebiet der Schadensbewertung geleistet.

„Nachdem wir nun über die Daten verfügen, möchten wir den Schaden lokalisieren und quantifizieren“, sagte Ethan Weber. „Wir arbeiten mit Notfallorganisationen zusammen, um fokussiert zu bleiben und Forschung zu betreiben, die einen echten Nutzen bringt.“

Zuganghttps://orion.hyper.ai/datasets/13127Oder klicken Sie, um den Originaltext zu lesen und den Datensatz mit hoher Geschwindigkeit herunterzuladen.

-- über--