DisasterNets：将机器学习嵌入灾害制图
计算机视觉与模式识别
2023-06-19 v1
摘要
灾害制图是一项关键任务，通常需要在场专家且耗时。为此，提出了一个利用机器学习快速准确识别灾害的综合框架，称为 DisasterNets。它包含空间粒化和属性粒化两个阶段。空间粒化阶段利用有监督/半监督学习、无监督变化检测以及带/不带源数据的域适应技术来处理不同的灾害制图场景。此外，属性粒化阶段构建了带有相应地理信息字段属性的灾害数据库。该框架应用于地震触发滑坡制图和大尺度洪水制图。结果表明其在灾害高精度、高效率、跨场景识别方面具有竞争力。为弥合灾害制图与机器学习社区之间的鸿沟，我们将提供基于 DisasterNets 的开放可用工具。该框架与工具可在 https://github.com/HydroPML/DisasterNets 获取。
引用
@article{arxiv.2306.09815,
title = {DisasterNets: Embedding Machine Learning in Disaster Mapping},
author = {Qingsong Xu and Yilei Shi and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2306.09815},
year = {2023}
}
备注
4 pages, IEEE IGARSS 2023