PreDisM：基于CNN集成的受灾风险社区灾前建模方法
计算机视觉与模式识别
2021-12-28 v1 人工智能
计算机与社会
摘要
机器学习界近期对气候与灾害损失领域的兴趣显著增加，原因在于自然灾害（如飓风、森林火灾、洪水、地震）的发生频率明显上升。然而，对于减轻即将发生的自然灾害可能造成的破坏，尚未给予足够关注。我们探索这一关键方向，通过事前预测建筑级损伤，使政府行为体与和非政府组织能够最优配置资源，以最小化或 preempt（ preempt： preempt 损失）损失。我们提出 PreDisM，其采用 ResNet 与全连接层在决策树之上的集成，以捕获图像级与元级信息，从而准确估计人造结构在灾害发生时的薄弱程度。我们的模型表现良好，并能针对不同类型灾害进行调优，凸显了灾前灾害损伤建模这一方向的价值。
引用
@article{arxiv.2112.13465,
title = {PreDisM: Pre-Disaster Modelling With CNN Ensembles for At-Risk Communities},
author = {Vishal Anand and Yuki Miura},
journal= {arXiv preprint arXiv:2112.13465},
year = {2021}
}