MIT는 19개 재난 사건을 포함하는 가장 큰 자연재해 이미지 데이터 세트를 업데이트했습니다.

MIT는 최근 ECCV 2020에서 발표한 논문에서 자연재해 이미지 데이터 세트를 공개했습니다. 이는 지금까지 가장 크고 품질이 높은 자연재해 위성 이미지 데이터 세트입니다.

2020년은 재난이 많은 해입니다. 올해 초에 발생한 전염병, 여름철 남부 지역의 홍수, 그리고 최근 미국 캘리포니아에서 발생한 산불...

홍수, 산불, 지진과 같은 자연재해는 언제나 사람들의 생명과 재산을 위협합니다. 피할 수 없는 경우에는,미묘한 변화를 시기적절하고 신속하게 감지할 수 있다면, 그에 따른 구조 계획을 더 잘 수립하고 자원을 더 합리적으로 배분할 수 있으며, 이는 관련 뉴스를 보도하는 데에도 도움이 될 것입니다.

MIT 공학 석사과정 학생 Ethan Weber와 공동연구자 Hassan Kan은 새로운 논문에서 다음과 같이 말했습니다. 다중 시간 융합을 이용한 위성 영상에서의 건물 재해 피해 평가딥러닝 모델이 제안되었습니다.피해 지역의 위성 이미지를 통해 더 빠르고 정확하게 평가할 수 있으며, 이를 통해 응급 대응자가 더 많은 시간을 확보하고 피해를 최소화할 수 있습니다.

동시에 그들은 피해 평가를 위한 새로운 위성 이미지 데이터 세트를 공개했는데, 이를 통해 이미지 이벤트 감지에 대한 연구가 한 단계 더 발전하여 연구자들이 손실을 더 정확하게 찾아내고 정량화할 수 있게 되었습니다.

AI와 함께 시간과의 경쟁: 재난 평가 가속화

자연재해가 발생하면 현장 비상대응팀이 대응 시간을 단축하고 신속하게 대응하며 신속하게 조치를 취해 손실을 줄이고 생명을 구하는 것이 중요합니다.또한, 응급 대응자가 피해 지역에 자원을 보다 효과적으로 배치하기 위해서는 피해의 정확한 위치와 심각성을 파악하는 것도 중요합니다.

현재, 응급구조대원들은 주로 위성사진을 직접 관찰하여 재난피해 규모를 평가하고 있는데, 평가 과정에는 수 시간이 걸릴 수 있어 구조작업에 매우 불리합니다.

이 연구에 대한 Ethan Weber의 기여는 다음과 같습니다.이미지를 자동으로 분석하고, 이미지 분석 시간을 줄이고, 시간과의 경쟁에서 승리하는 도구를 만들어 보세요.

또한, 이들의 연구는 가중치를 공유하는 CNN(합성곱 신경망)을 통해 재난 전과 재난 후 이미지를 독립적으로 제공함으로써 더 나은 성과를 달성할 수 있습니다.

그들은 또한 Twitter와 Flickr와 같은 소셜 미디어 플랫폼에 게시된 이미지에서 이벤트를 감지할 수 있는 새로운 컴퓨터 비전 모델을 제안했습니다.

19개의 자연재해로 라벨이 지정된 22068개의 이미지

새로운 모델을 제안하는 것 외에도,연구팀은 또한 새로운 이벤트 데이터 세트인 xBD 데이터 세트를 공개했습니다.

이 데이터 세트에는 19개의 서로 다른 이벤트로 레이블이 지정된 22,068개의 이미지가 포함되어 있습니다.여기에는 지진, 홍수, 산불, 화산 폭발, 교통사고 등이 포함됩니다. 이러한 이미지에는 재난 발생 전과 재난 발생 후 이미지가 포함되어 있으며, 이를 사용하여 위치 지정과 피해 평가라는 두 가지 작업을 구성할 수 있습니다.

서론에 따르면,xBD 데이터 세트는 현재까지 최초의 건물 피해 평가 데이터 세트이며, 주석이 달린 고해상도 위성 이미지의 가장 크고 품질이 높은 공개 데이터 세트 중 하나입니다.기본 정보는 다음과 같습니다.

xBD 데이터 세트

출판사: MIT

포함된 수량:22068개의 이미지

데이터 형식:png

데이터 크기:31.2GB

업데이트 시간:2020년 8월

다운로드 주소:https://orion.hyper.ai/datasets/13272

이미지의 해상도는 1024×1024이며, 각 건물에 대한 식별자가 포함되어 재난 전후 이미지에서 일관성을 유지합니다.

하지만 연구자들은 모델이 건물 경계를 정확하게 그리기에는 건물의 해상도가 너무 작은 경우가 많다는 것을 발견했습니다. 이를 위해 그들은 4,512×512 이미지에서 모델을 훈련하고 실행하여 왼쪽 위, 오른쪽 위, 왼쪽 아래, 오른쪽 아래 사분면을 형성했습니다.

이러한 재난 전후 데이터를 기반으로 피해 평가는 단일 시간적 작업과 다중 시간적 작업으로 정의될 수 있습니다.단일 시간 설정에서는 재난 이후의 이미지만 모델에 입력되며, 이 모델은 각 픽셀의 피해 수준을 예측해야 합니다. 다중 시간적 맥락에서 재난 발생 전과 후의 이미지가 모두 모델에 입력되어 재난 발생 후 이미지의 피해 정도를 예측해야 합니다.

데이터 세트는 어디에서 나왔나요?

연구팀은 새로운 데이터 세트가 이 분야의 빈틈을 메우는 것을 목표로 한다고 밝혔다.기존 데이터 세트는 이미지 수와 이벤트 범주의 다양성 측면에서 모두 제한적입니다.

또한 저자는 데이터 세트를 만드는 방법, 이미지에서 이벤트를 감지하는 모델을 만드는 방법, 노이즈가 많은 소셜 미디어 데이터에서 이벤트를 필터링하는 방법을 설명합니다.

그들은 작업의 일환으로 재난 사건을 찾기 위해 4,000만 개의 Flickr 이미지를 필터링했습니다.또 다른 작업으로는 지진, 홍수 및 기타 자연재해 발생 시 Twitter에 게시된 이미지를 필터링하는 작업이 있습니다.

예를 들어, 해당 팀은 자연재해와 관련된 트윗을 특정 이벤트로 필터링하고, 미국 해양대기청(NOAA)에서 제공한 데이터베이스와 트윗 빈도를 연관시켜 이 과정을 검증했습니다.

Ethan Weber는 "이 데이터 세트를 사용하여 이미지에서 이벤트를 감지하는 추가 연구의 잠재력에 대해 기대가 큽니다. 컴퓨터 비전 커뮤니티에서 관심을 불러일으키는 데 매우 효과적이었습니다."라고 말했습니다.

그는 또한 소셜 미디어와 위성 이미지가 비상 대응에 도움이 될 수 있는 데이터 형태라고 말했습니다.소셜 미디어는 현장 관찰 결과를 제공하고, 위성 이미지는 산불의 영향을 가장 많이 받는 지역을 식별하는 등 광범위한 통찰력을 제공합니다.

이러한 상호 연결성을 인식하여 이선 베버와 그의 동문들은 피해 평가 분야에서 뛰어난 업적을 이루기 위해 협력했습니다.

이선 베버는 "이제 데이터가 있으니 피해 위치를 파악하고 정량화하는 데 관심을 두고 있습니다."라고 말했습니다. "우리는 집중력을 유지하고 실제적인 혜택을 주는 연구를 수행하기 위해 비상 대응 기관과 협력하고 있습니다."

입장https://orion.hyper.ai/datasets/13127또는 원본 텍스트를 클릭하여 데이터 세트를 고속으로 다운로드하세요.

-- 위에--