FloodNet：用于洪后场景理解的高分辨率航拍图像数据集
计算机视觉与模式识别
2020-12-08 v1
摘要
视觉场景理解是任何计算机视觉系统中作出关键决策的核心任务。尽管 Cityscapes、MS-COCO、PASCAL 等流行计算机视觉数据集为若干任务（如图像分类、分割、目标检测）提供了良好基准，这些数据集几乎不适用于灾后损伤评估。另一方面，现有自然灾害数据集主要包含卫星影像，其空间分辨率低且重访周期长，因此无法提供快速高效的损伤评估任务。无人机（UAV）可在灾害期间轻松进入困难区域，并采集上述计算机视觉任务所需的高分辨率影像。为解决这些问题，我们提出在飓风 Harvey 后采集的高分辨率无人机影像数据集 FloodNet。该数据集展示了受影响区域的洪后损毁情况。图像以像素级标注用于语义分割任务，并生成问题用于视觉问答任务。FloodNet 提出了若干挑战，包括检测被淹道路与建筑，以及区分自然水体与洪水水体。随着深度学习算法的进步，我们可分析任何灾害的影响，从而精确理解受影响区域。本文中，我们在该数据集上对比了图像分类、语义分割与视觉问答基线方法的性能。
引用
@article{arxiv.2012.02951,
title = {FloodNet: A High Resolution Aerial Imagery Dataset for Post Flood Scene Understanding},
author = {Maryam Rahnemoonfar and Tashnim Chowdhury and Argho Sarkar and Debvrat Varshney and Masoud Yari and Robin Murphy},
journal= {arXiv preprint arXiv:2012.02951},
year = {2020}
}
备注
11 pages