基于更深FCDD的可解释初期响应灾害异常检测器
计算机视觉与模式识别
2023-06-13 v2
摘要
极端自然灾害会对城市和农村地区造成破坏性影响。在任何灾害事件中，初期响应是72小时内救援和迅速恢复的关键。在灾害响应的初期阶段，快速评估大范围损坏并识别优先区域十分重要。在机器学习算法中，深度异常检测能有效检测出不同于日常特征的毁灭性特征。此外，可解释的计算机视觉应用应为初期响应提供合理性依据。本文提出了一种利用更深全卷积数据描述(FCDDs)的异常检测应用，可实现毁灭性特征的定位并可视化标记损坏的热力图。更具体地，我们展示了在包含四类灾害（倒塌建筑、交通事故、火灾和洪水区域）的数据集AIDER上的大量训练与测试结果。我们还实现了异常类不平衡以及与正常类竞争的数据规模的消融研究。我们的实验提供了F1值超过95%的高准确率结果。此外，我们发现带有VGG16骨干的更深FCDD持续优于其他基线CNN27、ResNet101和Inceptionv3。本研究提出了一种新方案，为初期响应提供具有更高准确率和灾害可解释性的异常检测应用，对异常场景理解研究领域的灾害快速恢复问题作出了新颖贡献。最后，我们讨论了未来工作，以改进更鲁棒、可解释的初期响应应用。
引用
@article{arxiv.2306.02517,
title = {Disaster Anomaly Detector via Deeper FCDDs for Explainable Initial Responses},
author = {Takato Yasuno and Masahiro Okano and Junichiro Fujii},
journal= {arXiv preprint arXiv:2306.02517},
year = {2023}
}
备注
10 pages, 10 figures, 8 tables