卷积神经网络在卫星影像建筑损毁分类中的可解释性
计算机视觉与模式识别
2022-01-28 v1 人工智能
机器学习
地球物理
摘要
自然灾害定期摧残世界的城市、山谷与海岸。部署精确高效的计算机制以评估基础设施损毁，对于调配资源和最小化生命损失至关重要。使用一个包含标记的灾前与灾后卫星影像的数据集，我们采取基于机器的遥感方法，训练多个卷积神经网络（CNNs）以逐建筑评估建筑损毁。我们提出一种新颖的可解释深度学习方法论，旨在明确探究训练数据中最有用的信息模态，以创建准确的分类模型。我们还研究了哪些损失函数能最佳优化这些模型。我们的发现包括：序数交叉熵损失是最优的优化准则，且将致损灾害类型与灾前灾后训练数据结合最能准确预测所造成的损毁程度。此外，通过梯度加权类激活映射（Grad-CAM），我们在定性表示模型用于预测损毁程度的图像区域方面取得进展。我们的研究力求在计算上助力这一持续且加剧的人道主义危机，而该危机因人为气候变化更趋严峻。
引用
@article{arxiv.2201.10523,
title = {Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery},
author = {Thomas Y. Chen},
journal= {arXiv preprint arXiv:2201.10523},
year = {2022}
}
备注
8 pages; presented as Spotlight Talk at NeurIPS - Tackling Climate Change with Machine Learning workshop 2020