利用半监督学习技术从卫星影像评估灾后损毁
计算机视觉与模式识别
2020-12-01 v1 机器学习
图像与视频处理
摘要
为应对地震、野火和武装冲突等灾害，人道主义组织需要以损毁评估形式提供的准确且及时的数据，以指示哪些建筑和人口中心受受影响最严重。近期研究将机器学习与遥感相结合，从卫星影像中自动提取此类信息，从而减少人工劳动与周转时间。在真实灾害响应场景中应用机器学习方法的一大障碍，是难以获取足量标注数据来为正在发生的灾害训练模型。本文展示了半监督学习（SSL）的一种新颖应用，以极少量标注数据和大量未标注数据训练损毁评估模型。我们将包括 MixMatch 和 FixMatch 在内的前沿 SSL 方法与监督基线在 2010 年海地地震、2017 年圣罗莎野火和 2016 年叙利亚武装冲突上进行比较。我们展示了用 SSL 方法训练的模型如何仅使用一小部分标注数据即可达到完全监督的性能，并指出了进一步改进的方向。
引用
@article{arxiv.2011.14004,
title = {Assessing Post-Disaster Damage from Satellite Imagery using Semi-Supervised Learning Techniques},
author = {Jihyeon Lee and Joseph Z. Xu and Kihyuk Sohn and Wenhan Lu and David Berthelot and Izzeddin Gur and Pranav Khaitan and Ke-Wei and Huang and Kyriacos Koupparis and Bernhard Kowatsch},
journal= {arXiv preprint arXiv:2011.14004},
year = {2020}
}
备注
NeurIPS 2020 Artificial Intelligence for Humanitarian Assistance and Disaster Response Workshop