面向灾害监测的 AI 驱动水体分割：基于深度学习模型的提升
计算机视觉与模式识别
2025-01-15 v1 人工智能
机器学习
图像与视频处理
摘要
洪水是导致全球人员伤亡和经济损失的主要自然灾害，因气候变化而呈递增趋势。迅速准确的洪水检测与监测对于减轻这些影响至关重要。本研究比较了 UNet、ResNet 和 DeepLabv3 三种深度学习模型在像素级水体分割任务中的性能，以辅助洪水检测，利用无人机、现场观测和社交媒体图像。该研究构建了新的数据集，将众所周知的基准数据集增强为包含洪水专用图像，提升了模型的鲁棒性。测试 UNet、ResNet 和 DeepLab v3 三种架构，确定其在不同环境条件和地理位置下的有效性，讨论了每种模型的优势与局限，为其在不同情景下的适用性提供了见解，通过预测图像分割掩码。该全自动方法允许这些模型隔离受洪水影响的区域，显著缩短了相较于传统半自动方法的处理时间。本研究旨在为受洪灾害影响的每张图像生成分割掩码，并验证这些模型的准确率。该方法促进了及时且持续的洪水监测，为紧急响应团队提供关键数据，以减少人员伤亡和经济损失。它显著缩短了生成洪水图的所需时间，大幅度减少了人工处理时间。此外，我们还提出了未来研究的方向，包括整合多模态数据源和开发专为洪水检测任务量身定制的鲁棒深度学习架构。总体而言，我们的工作通过创新性地运用深度学习技术，推动了灾害管理策略的发展。
引用
@article{arxiv.2501.08266,
title = {AI Driven Water Segmentation with deep learning models for Enhanced Flood Monitoring},
author = {Sanjida Afrin Mou and Tasfia Noor Chowdhury and Adib Ibn Mannan and Sadia Nourin Mim and Lubana Tarannum and Tasrin Noman and Jamal Uddin Ahamed},
journal= {arXiv preprint arXiv:2501.08266},
year = {2025}
}
备注
8 pages, 6 figures