迈向全自动化事件后数据收集与分析：事件前与事件后信息融合
计算机视觉与模式识别
2019-07-12 v1
摘要
在事件后勘测任务中，工程师和研究人员收集受影响地理区域中受损建筑易逝信息，以从事件后果中吸取教训。典型的事件后勘测任务首先进行初步调查，随后进行详细调查。初步调查通常沿预定路线缓慢驾驶，观察损坏情况，并记录应在何处收集进一步详细数据。这涉及若干手动、耗时的步骤，可通过利用计算机视觉和人工智能的最新进展来加速。本工作的目标是开发和验证一种自动化技术，以支持事件后勘测团队快速收集可靠且足够全面的数据，用于规划详细调查。该技术结合了多种旨在自动化基于关键物理属性对建筑进行分类并快速评估其事件后结构状况的方法。它分为事件前和事件后两个流，每个流都旨在首先利用事件前和事件后图像提取关于目标建筑的所有可能信息。基于卷积神经网络（CNN）的算法用于场景（图像）分类。开发了一种概率方法，以融合从分析多幅图像获得的结果，从而对目标建筑的属性和状况产生鲁棒决策。我们使用飓风Harvey和Irma之后进行的勘测任务中捕获的事件后图像验证该技术。验证数据由结构风与海岸工程勘测团队、美国国家科学基金会（NSF）资助的结构极端事件勘测（StEER）网络收集。
引用
@article{arxiv.1907.05285,
title = {Towards fully automated post-event data collection and analysis: pre-event and post-event information fusion},
author = {Ali Lenjani and Shirley J. Dyke and Ilias Bilionis and Chul Min Yeum and Kenzo Kamiya and Jongseong Choi and Xiaoyu Liu and Arindam G. Chowdhury},
journal= {arXiv preprint arXiv:1907.05285},
year = {2019}
}