MIT が 19 種類の災害イベントをカバーする最大の自然災害画像データ セットを更新

最近の ECCV 2020 に提出された論文の中で、MIT は自然災害の画像データセットをリリースしました。これは、これまでの自然災害に関する最大かつ最高品質の衛星画像データ セットです。

2020年は困難な年でした。今年の初めに流行が発生し、夏には南部で洪水が発生し、そして最近では米国カリフォルニア州で山火事が発生しました...

洪水、山火事、地震などの自然災害は常に人々の生命と財産を脅かしています。そして、それが避けられないときは、微妙な変化をタイムリーかつ迅速に発見できれば、対応する救助計画をより適切に策定でき、リソースをより合理的に割り当てることができ、関連ニュースの報道にも役立ちます。

したがって、MIT工学修士課程の学生であるイーサン・ウェーバーと共同研究者のハッサン・カンは、最新の論文で次のように述べています。 「多時空間融合を活用した衛星画像による建物被害評価」深層学習モデルは以下で提案されています。被害地域の衛星画像により、より迅速かつ正確に評価できるため、初期対応者に多くの時間を与え、被害を最小限に抑えることができます。

同時に、損傷評価用の新しい衛星画像データセットもリリースしました。これにより、画像イベント検出に関連する研究が一歩前進し、研究者がより正確な位置と損傷の定量化を達成できるようになります。

AI による時間との闘い: 災害評価の迅速化

自然災害の場合、現場の緊急チームは対応時間を短縮し、迅速に対応し、行動を起こします。これは損失を減らし人命を救うために非常に重要です。さらに、緊急対応者にとって、影響を受けた地域にリソースをより適切に配置するために、被害の正確な位置と深刻度を理解することも同様に重要です。

現在、救急隊員は通常、手動で衛星画像を観察して災害被害の程度を評価していますが、評価プロセスには数時間かかる場合があり、これは救助活動に非常に悪影響を及ぼします。

この研究に対するイーサン・ウェーバーの貢献は次のとおりです。画像を自動的に分析するツールを作成して、画像分析時間を短縮し、時間との競争に勝ちます。

さらに、その研究では、重みを共有する CNN (畳み込みニューラル ネットワーク) を使用して、災害前と災害後の画像を個別に提供することで、より優れたパフォーマンスを実現できます。

彼らはまた、Twitter や Flickr などのソーシャル メディア プラットフォームに投稿された画像内のイベントを検出できる新しいコンピューター ビジョン モデルを提案しました。

19 の自然災害のタグが付いた画像 22,068 枚

新しいモデルの提案はもちろん、研究チームは、新しいイベント データ セット、xBD データ セットもリリースしました。

データセットには、19 の異なるイベントがラベル付けされた 22068 枚の画像が含まれています。地震、洪水、山火事、火山噴火、自動車事故が含まれます。これらの画像には災害前および災害後の画像が含まれており、位置特定および損傷評価タスクの構築に使用できます。

報道によると、xBD データセットは、これまでで最初の建物被害評価データセットであり、注釈付きの高解像度衛星画像の最大かつ最高品質の公開データセットの 1 つです。その基本情報は次のとおりです。

xBD データセット

発行機関： マサチューセッツ工科大学

含まれる数量:22068枚の画像

データ形式:png

データサイズ:31.2GB

更新時間:2020年8月

ダウンロードアドレス:https://orion.hyper.ai/datasets/13272

画像の解像度は 1024×1024 で、各建物には災害前と災害後の画像間で一貫した識別子が付いています。

しかし、研究者らは、建物の解像度が小さすぎることが多く、モデルが建物の境界を正確に描画できないことを発見しました。これを行うために、彼らは 4 つの 512 × 512 画像でモデルをトレーニングして実行し、左上、右上、左下、右下の象限を形成しました。

これらの災害前後のデータに基づいて、被害評価を単回および複数回のタスクとして定義できます。1 回限りの設定では、災害後の画像のみがモデルに入力され、各ピクセルの被害レベルを予測する必要があります。多時間コンテキストでは、災害前後の画像がモデルに入力され、災害後の画像の被害範囲を予測する必要があります。

データセットはどこから来たのでしょうか?

研究チームは、この新しいデータセットは現場のギャップを埋めることを目的としていると述べている。既存のデータセットは、画像の数とイベント カテゴリの多様性の両方で制限されています。

著者らは、データセットの作成方法、画像内のイベントを検出するモデルの作成方法、ノイズの多いソーシャル メディア データ内のイベントをフィルタリングする方法についても説明します。

彼らの仕事の 1 つは、4,000 万枚の Flickr 画像をフィルタリングして災害イベントを探すことでした。他には、地震、洪水、その他の自然災害時に Twitter に投稿された画像をフィルタリングする作業も行われます。

たとえば、チームは自然災害に関連するツイートを特定のイベントにフィルタリングし、ツイートの頻度を米国海洋大気庁 (NOAA) が提供するデータベースと相関させることでこのプロセスを検証しました。

「このデータセットを使用して画像内のイベントを検出するさらなる研究の可能性に興奮しています。また、コンピューター ビジョン コミュニティへの関心を刺激するのにも非常に効果的です。」と Ethan Weber 氏は述べています。

同氏はまた、ソーシャルメディアと衛星画像はどちらも緊急対応に役立つ可能性のあるデータの形式であると述べた。ソーシャルメディアは現場の観察を提供し、衛星画像は山火事の影響を最も受けている地域を特定するなど、幅広い洞察を提供します。

この相互関連性を認識し、イーサン ウェーバーは同窓生と協力して、損害評価において卓越した成果を達成しました。

イーサン・ウェーバー氏は、「データが得られたので、被害の位置を特定し、数値化することに興味がある。私たちは緊急対応機関と協力して、集中力を維持し、現実世界に有益な研究を実施している。」と述べた。

アクセスhttps://orion.hyper.ai/datasets/13127または、原文をクリックするとデータセットを高速に読み込んでダウンロードできます。

- 以上 -