基于遥感与社会媒体数据的洪灾后可行道路自动检测
信息检索
2019-01-11 v1
摘要
本文利用社会媒体与卫星影像解决洪水分类及洪水后效检测问题。洪水等灾害的自动检测仍是一项极具挑战的任务。重点在于识别洪水期间可通行的路线或道路。本文提出两种新颖方案，分别为 MediaEval 2018 基准挑战赛中两项对应任务而开发。任务为：(i) 识别提供道路可通行证据的图像；(ii) 从两个互补信息源的图像中区分并检测可通行与不可通行道路。针对第一项挑战，我们主要依赖通过多个在 ImageNet 与 Places 数据集上预训练的深度学习模型提取的目标与场景级特征。随后使用早期、晚期与双重融合技术将目标与场景级特征结合。为识别卫星图像中车辆能否通过某道路，我们依赖卷积神经网络与基于迁移学习的分类方法。所提方法的评估在基准竞赛提供的大规模数据集上进行。结果表明相较近期 SOTA 方法性能显著提升。
引用
@article{arxiv.1901.03298,
title = {Automatic detection of passable roads after floods in remote sensed and social media data},
author = {Kashif Ahmad and Konstantin Pogorelov and Michael Riegler and Olga Ostroukhova and Paal Halvorsen and Nicola Conci and Rozenn Dahyot},
journal= {arXiv preprint arXiv:1901.03298},
year = {2019}
}