基于深度学习与开放数据的航空影像分割用于灾害影响评估
图像与视频处理
2020-06-11 v1 计算机视觉与模式识别
摘要
卫星影像在飓风与海啸等自然灾害后是极具价值的资源，可用于风险评估与灾害管理。为提供及时且可操作的灾害响应信息，本文提出一种利用分割神经网络的框架，以识别灾后场景中的受影响区域与可通行道路。我们分析了使用ImageNet预训练对航空影像分割任务的效果，并比较了多种流行分割模型的性能。实验结果表明，在ImageNet上预训练通常可改善若干模型的分割性能。训练使用OpenStreetMap(OSM)提供的开放数据，避免了耗时的手动标注。该方法还利用图论更新OSM中可用的道路网络数据并检测自然灾害引起的变化。在2018年袭击印度尼西亚帕卢的海啸数据上的大量实验显示了所提框架的有效性。ENetSeparable参数较ENet少30%，取得了与最先进网络相当的分割结果。
引用
@article{arxiv.2006.05575,
title = {Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment},
author = {Ananya Gupta and Simon Watson and Hujun Yin},
journal= {arXiv preprint arXiv:2006.05575},
year = {2020}
}
备注
Accepted in Neurocomputing, 2020