面向高程感知洪水范围映射的快速准确众包标注技术
计算机视觉与模式识别
2025-04-21 v2 机器学习
摘要
映射洪涝事件的范围是灾害管理中必要且重要的方面。近年来，深度学习方法已发展为快速标记高分辨率图像并提供必要洪涝范围映射的有效工具。然而，这些方法需要大量标注训练数据才能创建对新洪涝图像准确且稳健的模型。本文提出了 FloodTrace，一个面向机器学习应用的众包洪涝区域标注的 Web 应用程序。为创建该应用程序，我们对领域专家进行了大量访谈，制定了一套正式要求。我们的工作将拓扑分割工具带到 Web 上，显著提高了标注效率。该解决方案的用户友好性使研究人员能够将标注外包给非专家，并利用其产生的训练数据，其质量等同于完全由专家标注的数据。我们进行了用户研究，确认了该应用程序的有效性，其中 266 名研究生为北卡罗来纳州哈德里·马蒂尔斯的高分辨率航空图像进行了标注。实验结果表明，该应用程序对非训练用户具有效率优势，中位标注时间不到最先进标注方法的一半。此外，借助我们的聚合和纠正框架，基于众包标注训练的洪涝检测模型能够实现与基于完全专家标注训练的模型相当的性能，而且只需专家时间的很大一部分。
关键词
引用
@article{arxiv.2408.05350,
title = {Enabling Fast and Accurate Crowdsourced Annotation for Elevation-Aware Flood Extent Mapping},
author = {Landon Dyken and Saugat Adhikari and Pravin Poudel and Steve Petruzza and Da Yan and Will Usher and Sidharth Kumar},
journal= {arXiv preprint arXiv:2408.05350},
year = {2025}
}