面向发展中国家的基于 Transformer 的洪涝场景分割
计算机视觉与模式识别
2022-10-11 v1 机器学习
摘要
洪水是大规模自然灾害，常导致大量人员死亡、巨大物质破坏与经济动荡。在人口密集且资源匮乏的发展中国家，其影响更为广泛且持久。早期预警系统（Early Warning Systems, EWS）持续评估水位及其他因素以预测洪水，从而帮助最小化损失。灾后，灾害响应团队开展灾后需求评估（Post Disaster Needs Assessment, PDSA）以评估结构性破坏并确定应对重灾社区的最优策略。然而，即便当今在发展中国家，EWS 与 PDSA 对大量图像与视频数据的分析仍主要由一线响应者与志愿者手动完成。我们提出 FloodTransformer，据我们所知，这是首个基于视觉 Transformer 的模型，用于从灾区航拍图像中检测并分割淹没区域。我们还提出一种自定义指标——洪涝容量（Flood Capacity, FC），以衡量水体覆盖的空间范围并为 EWS 与 PDSA 分析量化分割出的淹没区域。我们使用 SWOC 洪水分割数据集取得了 0.93 mIoU，优于所有其他方法。我们进一步通过跨其他洪水数据源的未见洪水图像验证，展示了该方法的鲁棒性。
引用
@article{arxiv.2210.04218,
title = {Transformer-based Flood Scene Segmentation for Developing Countries},
author = {Ahan M R and Roshan Roy and Shreyas Sunil Kulkarni and Vaibhav Soni and Ashish Chittora},
journal= {arXiv preprint arXiv:2210.04218},
year = {2022}
}
备注
Presented at NeurIPS 2021 Workshop on Machine Learning for the Developing World