面向小型无人机系统灾害图像的空间对齐道路损伤评估基准数据集

本文提出了目前已知最大的道路损伤评估和道路对齐基准数据集，并提供了18个在CRASAR-U-DRIODs数据集上训练的基线模型，该数据集来自10个联邦指定灾害的 post-disaster 小型无人机系统(sUAS)影像，旨在解决先前 post-disaster 道路损伤评估数据集中的三个挑战。尽管先前的灾害道路损伤评估数据集存在，但目前尚无被广泛接受的做法，因为先前的公开数据集要么规模较小，要么依赖于分辨率不足以检测紧急救援人员感兴趣的现象的低分辨率影像。进一步地，尽管针对此任务开发了机器学习(ML)系统，但尚无证明其已被操作性验证的模型。通过对657.25公里道路按照10分类标签进行标记，然后在2024年德比号和赫尔纳号飓风的operational response期间进行训练和部署，本工作克服了上述局限性。为了解决实际操作中观察到的道路线 misaligned 的问题，我们提供了9184处道路线调整，用于空间对齐先验道路线。结果表明，当18个基线模型部署在实际的misaligned道路线上时，平均性能下降5.596%。如果不考虑空间对齐，约有8%(11公里)的不利条件将被错误标记，约有9%(59公里)的道路线 misaligned 离开实际道路。这些动态为ML、CV和机器人社区所需解决的差距，旨在在灾害期间实现更有效和更有信息的决策。