前不久墨西哥的7．4級地震，再次讓我們感受到了人類在自然災害面前的渺小。天災難以避免，但災后及時的應急響應能夠很大程度地減少損失。在此過程中，超高分辨率衛(wèi)星就扮演著愈發(fā)重要的角色。不過，高清衛(wèi)星圖像依舊需要密集的人力來識別災情，這遠遠滿足不了應急響應的需求。
本文將分享谷歌研究人員如何利用機器學習的方法自動檢測建筑物并評測損害程度。這一技術有望提高災后報告的生成速度，幫助救災團隊按照受災程度展開救援。
人類的歷史很大程度上是與自然災害斗爭的歷史！從遠古的大洪水時代到近年的大地震、從肆虐的臺風到暴雨洪水，大范圍的自然災害影響著成千上萬人的生命財產安全。在災難發(fā)生時，大規(guī)模、有效的、及時、準確的應急響應對于救災來說至關重要。政府、公益組織、國際組織需要快速翔實地了解災區(qū)情況并依此制定有效的救助計劃來優(yōu)化資源配置，最大程度的減少損失。
近年來具有0．3m分辨率的超高分辨率衛(wèi)星在災難響應中扮演著越來越重要的角色，為有關部門和決策者提供了前所未有的翔實視覺信息，包括地形地貌、城市建筑受災情況甚至人口受災變化等都能得到豐富的信息。
然而即使有了高清衛(wèi)星圖像，還是需要密集的人力來從圖像中識別出災情：倒塌的建筑、垮塌的橋梁、臨時帳篷的位置和數(shù)量等等，都需要專家從圖像中識別出來。例如2010年海地大地震時，分析員手工查閱了太子港地區(qū)超過90000棟建筑的情況并進行受災評估，整個過程耗費了專家團隊幾個星期的時間。而最需要災情信息的是震后48－72小時，需要豐富的災情信息來進行救災決策和計劃制定，僅靠人類進行大規(guī)模的災情分析遠遠滿足不了應急響應的需求。
為了提高對于災害應急響應能力，來自谷歌的研究人員構建了一種基于卷積神經(jīng)網(wǎng)絡進行受損建筑物檢測的有效方法，將利用機器學習的方法自動檢測建筑物并評測損害程度。這一技術將有望提升災后報告的生成速度，同時減少救災部署的時間，幫助救災團隊按照輕重緩急的展開救援。下圖顯示了整套系統(tǒng)的數(shù)據(jù)處理流程。
具體方法
自動災情評估的實現(xiàn)過程主要分為兩部分，分別是建筑物檢測和受損分類。研究人員利用目標檢測方法來從衛(wèi)星圖像中檢測出每棟建筑物的區(qū)域。隨后抽取每棟建筑物區(qū)域災前和災后的圖像進行處理，利用分類模型來分析建筑物是否受損。
分類模型由卷積神經(jīng)網(wǎng)網(wǎng)絡構成，其輸入為災前災后兩張161x161像素的RGB圖像，對應著地面上以建筑為中心50mx50m的區(qū)域。模型將分析兩張圖形的異同并輸出0．0－1．0之間的分數(shù)，其中0分代表建筑沒有損壞，1．0分代表建筑被自然災害損壞了。
在針對兩幅輸入圖像的處理，研究人員提出了四種不同的模型架構，要么在前端對輸入圖像疊加輸入，要么分離獲取特征圖隨后再對其中的結果進行處理。上述的四種結構中CC代表了將災前和災后圖像疊加輸入，PO代表了只輸入災后圖像，TTC代表了分別獲取災前災后圖像的特征圖而后疊加處理，TTS代表了將災前災后的特征圖進行相減而后疊加處理。幾種結構的性能如下圖所示，使用了TTS作為最終的架構。
由于兩張圖像的拍攝時間和每天的日照時間不同，甚至由不同的衛(wèi)星拍攝，因此需要對圖像的顏色、光強和飽和度進行矯正，對像素進行對齊。為了校正顏色和光照的不同，研究人員利用直方圖均衡的方法來處理震前和震后的圖像。同時使用了標準的數(shù)據(jù)增強策略來使模型對于不同條件下的光照光強變得更為魯棒。
12下一頁>（免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
