Le MIT Met À Jour Le Plus Grand Ensemble De Données D'images De Catastrophes Naturelles, Couvrant 19 Événements Catastrophiques
Le MIT a publié un ensemble de données d'images de catastrophes naturelles dans un article récent présenté à l'ECCV 2020. Il s'agit de l'ensemble de données d'images satellites de catastrophes naturelles le plus vaste et de la plus haute qualité à ce jour.
2020 est une année pleine de catastrophes. L'épidémie qui a éclaté au début de l'année, les inondations dans le sud en été et les récents incendies de forêt en Californie, aux États-Unis...
Les catastrophes naturelles telles que les inondations, les incendies de forêt et les tremblements de terre menacent toujours la vie et les biens des personnes. Dans les cas où cela ne peut être évité,Si nous pouvons détecter certains changements subtils de manière opportune et rapide, nous pourrons mieux formuler des plans de sauvetage correspondants et allouer des ressources de manière plus raisonnable, ce qui contribuera également à signaler les nouvelles connexes.
Ainsi, Ethan Weber, étudiant en master d'ingénierie au MIT, et son collaborateur Hassan Kan, dans un nouvel article, Évaluation des dommages causés par les catastrophes naturelles dans les images satellites avec fusion multitemporelleUn modèle d'apprentissage profond est proposé dansL’imagerie satellite des zones endommagées peut être évaluée plus rapidement et avec plus de précision, ce qui permet aux premiers intervenants de gagner du temps et de minimiser les dégâts.
Dans le même temps, ils ont également publié un nouvel ensemble de données d’imagerie satellite pour l’évaluation des dommages, qui pousse la recherche sur la détection d’événements par image un peu plus loin et permet aux chercheurs de localiser et de quantifier plus précisément les pertes.
Course contre la montre avec l'IA : accélérer l'évaluation des catastrophes
En cas de catastrophe naturelle, il est essentiel que les équipes d’urgence sur place réduisent le temps de réaction, réagissent rapidement et agissent rapidement pour réduire les pertes et sauver des vies.Il est également important pour les intervenants d’urgence de comprendre l’emplacement exact et la gravité des dommages afin de mieux déployer les ressources dans les zones touchées.
Actuellement, le personnel d’urgence évalue généralement l’étendue des dégâts causés par la catastrophe en observant manuellement les images satellites, mais le processus d’évaluation peut prendre plusieurs heures, ce qui est extrêmement défavorable aux opérations de sauvetage.
La contribution d'Ethan Weber à cette étude est queCréez des outils qui analysent automatiquement les images, réduisent le temps d’analyse des images et gagnent la course contre la montre.
De plus, leurs recherches peuvent atteindre de meilleures performances en fournissant de manière indépendante des images pré-catastrophe et post-catastrophe via CNN (réseau neuronal convolutif) avec des poids partagés.
Ils ont également proposé un nouveau modèle de vision par ordinateur capable de détecter des événements dans des images publiées sur des plateformes de médias sociaux telles que Twitter et Flickr.
22 068 images étiquetées avec 19 catastrophes naturelles
En plus de proposer un nouveau modèle,L'équipe de recherche a également publié un nouvel ensemble de données d'événements : l'ensemble de données xBD.
L'ensemble de données contient 22 068 images étiquetées avec 19 événements différents.Il s’agit notamment des tremblements de terre, des inondations, des incendies de forêt, des éruptions volcaniques et des accidents de voiture. Ces images comprennent des images pré-catastrophe et post-catastrophe, qui peuvent être utilisées pour construire deux tâches : le positionnement et l’évaluation des dommages.
Selon l'introduction,L'ensemble de données xBD est le premier ensemble de données d'évaluation des dommages aux bâtiments à ce jour et constitue l'un des ensembles de données publics d'images satellite haute résolution annotées les plus importants et de la plus haute qualité.Ses informations de base sont les suivantes :
Ensemble de données xBD
Agence d'édition : MIT
Quantité incluse :22068 images
Format des données :png
Taille des données :31,2 Go
Heure de mise à jour :Août 2020
Adresse de téléchargement :https://orion.hyper.ai/datasets/13272
Les images ont une résolution de 1024×1024, avec des identifiants pour chaque bâtiment, qui restent cohérents entre les images avant et après la catastrophe.
Mais les chercheurs ont constaté que la résolution des bâtiments était souvent trop faible pour que le modèle puisse dessiner avec précision les limites des bâtiments. Pour ce faire, ils ont formé et exécuté le modèle sur 4 images 512 × 512, formant les quadrants supérieur gauche, supérieur droit, inférieur gauche et inférieur droit.
Sur la base de ces données pré- et post-catastrophe, l’évaluation des dommages peut être définie comme des tâches mono-temporelles et multi-temporelles.Dans le cadre monotemporel, seules les images post-catastrophe sont introduites dans le modèle, qui doit prédire le niveau de dommage pour chaque pixel. Dans un contexte multitemporel, des images pré- et post-catastrophe sont introduites dans le modèle, qui doit prédire l'étendue des dégâts sur les images post-catastrophe.
D'où vient l'ensemble de données ?
L’équipe affirme que le nouvel ensemble de données vise à combler une lacune dans ce domaine.Les ensembles de données existants sont limités à la fois en termes de nombre d’images et de diversité des catégories d’événements.
Les auteurs expliquent également comment créer un ensemble de données, comment créer un modèle pour détecter des événements dans des images et comment filtrer des événements dans des données de médias sociaux bruyantes.
Dans le cadre de leur travail, ils ont filtré 40 millions d’images Flickr pour rechercher des événements catastrophiques.Un autre travail consiste à filtrer les images publiées sur Twitter lors de tremblements de terre, d’inondations et d’autres catastrophes naturelles.
Par exemple, l’équipe a filtré les tweets liés aux catastrophes naturelles en fonction d’événements spécifiques et a validé le processus en corrélant les fréquences des tweets avec une base de données fournie par la National Oceanic and Atmospheric Administration (NOAA).
« Je suis enthousiasmé par le potentiel de recherches supplémentaires sur la détection d’événements dans les images avec cet ensemble de données, et cela a été très efficace pour susciter l’intérêt de la communauté de la vision par ordinateur », a déclaré Ethan Weber.
Il a également déclaré que les médias sociaux et les images satellites sont des formes de données qui peuvent aider à la réponse aux situations d’urgence.Les médias sociaux fournissent des observations sur le terrain, tandis que l’imagerie satellite fournit des informations détaillées, comme l’identification des zones les plus touchées par les incendies de forêt.
C’est en reconnaissance de cette interdépendance qu’Ethan Weber et ses collègues anciens ont collaboré pour produire un travail exceptionnel en matière d’évaluation des dommages.
« Maintenant que nous disposons des données, nous souhaitons localiser et quantifier les dégâts », a déclaré Ethan Weber. « Nous travaillons avec les organismes d’intervention d’urgence pour rester concentrés et mener des recherches qui ont des avantages concrets. »
accéderhttps://orion.hyper.ai/datasets/13127Ou cliquez pour lire le texte original pour télécharger l'ensemble de données à grande vitesse.
-- sur--