利用多模态多时相地球观测数据学习建筑物损毁制图
计算机视觉与模式识别
2020-09-15 v1 机器学习
摘要
地球观测技术，如光学成像与合成孔径雷达(SAR)，为持续监测不断扩张的城市环境提供了极佳手段。尤其在大规模灾害（如海啸与地震）中，响应极具时间紧迫性，两种数据模态的图像可相互补充，以准确传达灾后的完整损毁状况。然而，受天气与卫星覆盖等因素影响，常不确定哪种数据模态将首先可用于快速灾害响应。因此，能利用所有可获取EO数据集的新方法对灾害管理至关重要。本研究构建了一个用于建筑物损毁制图的全球多传感器多时相数据集。我们纳入了三类灾害（即地震、海啸与台风）的建筑物损毁特征，并考虑三种建筑物损毁等级。该全球数据集包含每次灾害前后获取的高分辨率光学影像与高至中分辨率多波段SAR数据。利用此综合数据集，我们分析了五种用于损毁制图的数据模态情形：单模态（光学与SAR数据集）、跨模态（灾前光学与灾后SAR数据集）以及模态融合情形。我们基于深度卷积神经网络算法定义了用于受损建筑物语义分割的损毁制图框架。我们将自身方法与另一先进的损毁制图基线模型进行比较。结果表明，我们的数据集结合深度学习网络，可对全部数据模态情形给出可接受的预测。
引用
@article{arxiv.2009.06200,
title = {Learning from Multimodal and Multitemporal Earth Observation Data for Building Damage Mapping},
author = {Bruno Adriano and Naoto Yokoya and Junshi Xia and Hiroyuki Miura and Wen Liu and Masashi Matsuoka and Shunichi Koshimura},
journal= {arXiv preprint arXiv:2009.06200},
year = {2020}
}
备注
15 pages, 6 figures