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(zāi)害面前的渺小。天災(zāi)難以避免，但災(zāi)后及時的應(yīng)急響應(yīng)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(zāi)情，這遠(yuǎn)遠(yuǎn)滿足不了應(yīng)急響應(yīng)的需求。
本文將分享谷歌研究人員如何利用機(jī)器學(xué)習(xí)的方法自動檢測建筑物并評測損害程度。這一技術(shù)有望提高災(zāi)后報(bào)告的生成速度，幫助救災(zāi)團(tuán)隊(duì)按照受災(zāi)程度展開救援。
人類的歷史很大程度上是與自然災(zāi)害斗爭的歷史！從遠(yuǎn)古的大洪水時代到近年的大地震、從肆虐的臺風(fēng)到暴雨洪水，大范圍的自然災(zāi)害影響著成千上萬人的生命財(cái)產(chǎn)安全。在災(zāi)難發(fā)生時，大規(guī)模、有效的、及時、準(zhǔn)確的應(yīng)急響應(yīng)對于救災(zāi)來說至關(guān)重要。政府、公益組織、國際組織需要快速翔實(shí)地了解災(zāi)區(qū)情況并依此制定有效的救助計(jì)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(zāi)難響應(yīng)中扮演著越來越重要的角色，為有關(guān)部門和決策者提供了前所未有的翔實(shí)視覺信息，包括地形地貌、城市建筑受災(zāi)情況甚至人口受災(zāi)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(zāi)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(jìn)行受災(zāi)評估，整個過程耗費(fèi)了專家團(tuán)隊(duì)幾個星期的時間。而最需要災(zāi)情信息的是震后48－72小時，需要豐富的災(zāi)情信息來進(jìn)行救災(zāi)決策和計(jì)劃制定，僅靠人類進(jìn)行大規(guī)模的災(zāi)情分析遠(yuǎn)遠(yuǎn)滿足不了應(yīng)急響應(yīng)的需求。
為了提高對于災(zāi)害應(yīng)急響應(yīng)能力，來自谷歌的研究人員構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行受損建筑物檢測的有效方法，將利用機(jī)器學(xué)習(xí)的方法自動檢測建筑物并評測損害程度。這一技術(shù)將有望提升災(zāi)后報(bào)告的生成速度，同時減少救災(zāi)部署的時間，幫助救災(zāi)團(tuán)隊(duì)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(zāi)情評估的實(shí)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(biāo)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?yàn)?zāi)前和災(zāi)后的圖像進(jìn)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(luò)構(gòu)成，其輸入為災(zāi)前災(zāi)后兩張161x161像素的RGB圖像，對應(yīng)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?jǐn)?shù)，其中0分代表建筑沒有損壞，1．0分代表建筑被自然災(zāi)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(gòu)，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(jié)果進(jìn)行處理。上述的四種結(jié)構(gòu)中CC代表了將災(zāi)前和災(zāi)后圖像疊加輸入，PO代表了只輸入災(zāi)后圖像，TTC代表了分別獲取災(zāi)前災(zāi)后圖像的特征圖而后疊加處理，TTS代表了將災(zāi)前災(zāi)后的特征圖進(jìn)行相減而后疊加處理。幾種結(jié)構(gòu)的性能如下圖所示，使用了TTS作為最終的架構(gòu)。
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(qiáng)和飽和度進(jìn)行矯正，對像素進(jìn)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(biāo)準(zhǔn)的數(shù)據(jù)增強(qiáng)策略來使模型對于不同條件下的光照光強(qiáng)變得更為魯棒。
12下一頁>（免責(zé)聲明：本網(wǎng)站內(nèi)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(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)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(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
