• 发文
  • 评论
  • 微博
  • 空间
  • 微信

与灾难赛跑: 机器学习助力大规模自动化灾后损失评测

将门创投 2020-06-29 09:19


关注并星标

从此不迷路

Jiangmen



From: Google  编译: T.R


前不久墨西哥的7.4级地震,再次让我们感受到了人类在自然灾害面前的渺小。天灾难以避免,但灾后及时的应急响应能够很大程度地减少损失。在此过程中,超高分辨率卫星就扮演着愈发重要的角色。不过,高清卫星图像依旧需要密集的人力来识别灾情,这远远满足不了应急响应的需求。
本文将分享谷歌研究人员如何利用机器学习的方法自动检测建筑物并评测损害程度。这一技术有望提高灾后报告的生成速度,帮助救灾团队按照受灾程度展开救援。
人类的历史很大程度上是与自然灾害斗争的历史!从远古的大洪水时代到近年的大地震、从肆虐的台风到暴雨洪水,大范围的自然灾害影响着成千上万人的生命财产安全。在灾难发生时,大规模、有效的、及时、准确的应急响应对于救灾来说至关重要。政府、公益组织、国际组织需要快速翔实地了解灾区情况并依此制定有效的救助计划来优化资源配置,最大程度的减少损失。
 之前我“门”也分享过跟AI抗击洪水有关的文章,点此复习~


近年来具有0.3m分辨率的超高分辨率卫星在灾难响应中扮演着越来越重要的角色,为有关部门和决策者提供了前所未有的翔实视觉信息,包括地形地貌、城市建筑受灾情况甚至人口受灾变化等都能得到丰富的信息。


然而即使有了高清卫星图像,还是需要密集的人力来从图像中识别出灾情:倒塌的建筑、垮塌的桥梁、临时帐篷的位置和数量等等,都需要专家从图像中识别出来。例如2010年海地大地震时,分析员手工查阅了太子港地区超过90000栋建筑的情况并进行受灾评估,整个过程耗费了专家团队几个星期的时间。而最需要灾情信息的是震后48-72小时,需要丰富的灾情信息来进行救灾决策和计划制定,仅靠人类进行大规模的灾情分析远远满足不了应急响应的需求。



为了提高对于灾害应急响应能力,来自谷歌的研究人员构建了一种基于卷积神经网络进行受损建筑物检测的有效方法,将利用机器学习的方法自动检测建筑物并评测损害程度。这一技术将有望提升灾后报告的生成速度,同时减少救灾部署的时间,帮助救灾团队按照轻重缓急的展开救援。下图显示了整套系统的数据处理流程。



具体方法


自动灾情评估的实现过程主要分为两部分,分别是建筑物检测和受损分类。研究人员利用目标检测方法来从卫星图像中检测出每栋建筑物的区域。随后抽取每栋建筑物区域灾前和灾后的图像进行处理,利用分类模型来分析建筑物是否受损。



分类模型由卷积神经网网络构成,其输入为灾前灾后两张161x161像素的RGB图像,对应着地面上以建筑为中心50mx50m的区域。模型将分析两张图形的异同并输出0.0-1.0之间的分数,其中0分代表建筑没有损坏,1.0分代表建筑被自然灾害损坏了。



在针对两幅输入图像的处理,研究人员提出了四种不同的模型架构,要么在前端对输入图像叠加输入,要么分离获取特征图随后再对其中的结果进行处理。上述的四种结构中CC代表了将灾前和灾后图像叠加输入,PO代表了只输入灾后图像,TTC代表了分别获取灾前灾后图像的特征图而后叠加处理,TTS代表了将灾前灾后的特征图进行相减而后叠加处理。几种结构的性能如下图所示,使用了TTS作为最终的架构。



由于两张图像的拍摄时间和每天的日照时间不同,甚至由不同的卫星拍摄,因此需要对图像的颜色、光强和饱和度进行矫正,对像素进行对齐。为了校正颜色和光照的不同,研究人员利用直方图均衡的方法来处理震前和震后的图像。同时使用了标准的数据增强策略来使模型对于不同条件下的光照光强变得更为鲁棒。

训练数据
深度学习最大的挑战来自于收集充分有效的数据来对模型进行训练,这一问题在灾后重建分析中尤其突出。因为记录了高分辨率卫星影像的灾害较少,而其中包含损害建筑的结果就更少。这一工作中研究人员使用了UNOSAT和REACH等组织提供的公开灾后评估数据,这些原始的卫星影像经过手工评估后,再利用谷歌地球来将损害程度评分添加到对应的空间坐标中以获取最终的训练数据。


训练中使用的图像元,包含了灾前和灾后的建筑受损情况

性能


研究人员在近年来的三场地震中评估了模型的性能,在每次灾害中利用部分区域来训练模型,并在另一部分区域中进行测试。结果的基准来源于UNOSAT和REACH中人类专家的评估结果,并利用与人类评测相比的真实精度和ROC曲线来对模型的性能进行评估。ROC曲线是机器学习领域用来测量模型对于正负样本分类能力的常用指标,曲线下的面积越接近1,说明其分类的精度就越高。根据前线救灾人员的经验,在灾后72小时内超过70%的准确率阈值就能为救灾提供有效的决策支撑。



下图显示了灾前和灾后建筑的损毁情况及模型的评估得分,可以看出损坏建筑的分数都较为接近1而无损建筑的得分较小,即使周围的地貌发生了明显变化也不会被误判。0.5可以作为典型的判断阈值来进行受损分类。



这一工作显示了卫星影像应用于自动化灾后评估的潜力。虽然目前是在在同一地区不同区域进行训练和测试,但最终目标将是为全球任何区域提供精确的灾后建筑受损评估服务。在未来将会加入更多的训练数据以覆盖多样性的地理区域和建筑风格。同时还将提供交互式的训练、验证和专家系统来为相关部门提供更多的决策信息和有效灾后响应,并让这套系统为灾后救援与时间赛跑中,提供最为迅捷的评估信息。





关于我“


将门是一家以专注于发掘、加速及投资技术驱动型创业公司的新型创投机构,旗下涵盖将门创新服务、将门技术社群以及将门创投基金。将门成立于2015年底,创始团队由微软创投在中国的创始团队原班人马构建而成,曾为微软优选和深度孵化了126家创新的技术型创业公司。


将门创新服务专注于使创新的技术落地于真正的应用场景,激活和实现全新的商业价值,服务于行业领先企业和技术创新型创业公司。


将门技术社群专注于帮助技术创新型的创业公司提供来自产、学、研、创领域的核心技术专家的技术分享和学习内容,使创新成为持续的核心竞争力。


将门创投基金专注于投资通过技术创新激活商业场景,实现商业价值的初创企业,关注技术领域包括机器智能、物联网、自然人机交互、企业计算。在近四年的时间里,将门创投基金已经投资了包括量化派、码隆科技、禾赛科技、宽拓科技、杉数科技、迪英加科技等数十家具有高成长潜力的技术型创业公司。





声明:本文为OFweek维科号作者发布,不代表OFweek维科号立场。如有侵权或其他问题,请及时联系我们举报。
2
评论

评论

    相关阅读

    暂无数据

    将门创投

    将门是一家专注于发掘、加速及投资...

    举报文章问题

    ×
    • 营销广告
    • 重复、旧闻
    • 格式问题
    • 低俗
    • 标题夸张
    • 与事实不符
    • 疑似抄袭
    • 我有话要说
    确定 取消

    举报评论问题

    ×
    • 淫秽色情
    • 营销广告
    • 恶意攻击谩骂
    • 我要吐槽
    确定 取消

    用户登录×

    请输入用户名/手机/邮箱

    请输入密码