[論文レビュー] Benchmark Dataset for Automatic Damaged Building Detection from Post-Hurricane Remotely Sensed Imagery

Sean Andrew Chen, Andrew Escay+4 more|arXiv (Cornell University)|Dec 13, 2018

Remote-Sensing Image Classification参考文献 22被引用数 35

ひとこと要約

本論文は、2017年のハリケーン・ハリーの影響を受けて、公に利用可能なデータを用いてハリケーン後における衛星画像および航空写真から損傷建物のベンチマークデータセットを構築するスケーラブルなフレームワークを提示する。主な貢献は、FEMAのベクトル損傷アノテーションとTOMNODのクラウドソーシングによる損傷アノテーションを統合した地理空間データセットを公開することで、自動化された災害評価のためのオブジェクト検出モデルのトレーニングと評価を可能にすることにある。

ABSTRACT

Rapid damage assessment is of crucial importance to emergency responders during hurricane events, however, the evaluation process is often slow, labor-intensive, costly, and error-prone. New advances in computer vision and remote sensing open possibilities to observe the Earth at a different scale. However, substantial pre-processing work is still required in order to apply state-of-the-art methodology for emergency response. To enable the comparison of methods for automatic detection of damaged buildings from post-hurricane remote sensing imagery taken from both airborne and satellite sensors, this paper presents the development of benchmark datasets from publicly available data. The major contributions of this work include (1) a scalable framework for creating benchmark datasets of hurricane-damaged buildings and (2) public sharing of the resulting benchmark datasets for Greater Houston area after Hurricane Harvey in 2017. The proposed approach can be used to build other hurricane-damaged building datasets on which researchers can train and test object detection models to automatically identify damaged buildings.

研究の動機と目的

• ハリケーン後の迅速かつ自動化された損傷評価の重要性に対応し、対応時間を短縮し、人的コストを削減する。
• 現場調査や視覚的点検に依存する従来の方法の限界を乗り越え、リモートセンシングと機械学習を活用する。
• 標準化された、公開可能なベンチマークデータセットを構築し、災害後の状況におけるオブジェクト検出モデルの一貫性ある評価を可能にする。
• 他のハリケーン発生時にも適用可能な、スケーラブルなフレームワークを開発し、モデルの汎化性能を向上させる。
• FEMAの損傷報告、TOMNODのクラウドソーシングによるアノテーション、および高分解能画像を含む多様なデータソースを統合し、研究者が利用可能な一貫性のあるフォーマットに統合する。

提案手法

• DigitalGlobeおよびNOAAが提供する、RGBバンドに限定したハリケーン前後における公に利用可能な衛星および航空写真を活用する。
• FEMA（ポイントレベルの損傷報告）およびTOMNOD（クラウドソーシングによる建物損傷アノテーション）のベクトル損傷データを統合する。
• FEMA損傷ポイントを地方自治体が提供するカントリー・パーセルポリゴンに空間結合することで、地理的正確性を向上させる。
• 各パーセル内に複数の構造物がある場合には、最大のフットプリントを選択して建物フットプリントにリンクする。
• 特定された構造物の周囲に最小外接長方形（minimum bounding boxes）を生成し、関連するFEMAまたはTOMNODのラベルに従って損傷度を割り当てる。
• PostGISを用いて空間インデックスを構築し、パフォーマンス最適化を図り、大規模な画像をタイル化して効率的な処理を実現する。

実験結果

リサーチクエスチョン

• RQ1 ハリケーン後のリモートセンシング画像から、損傷建物検出のためのベンチマークデータセットを自動的かつスケーラブルに生成するフレームワークを開発可能か？
• RQ2 FEMA損傷報告のカバレッジとクラウドソーシングによるTOMNODアノテーションのラベル整合性は、ハリケーン後の評価においてどのように比較されるか？
• RQ3 複数のソースからの公に利用可能なデータを統合することで、信頼性が高く地理的に正確なベンチマークデータセットを構築できる範囲はどの程度か？
• RQ4 得られたデータセットは、特別なリモートセンシングの専門知識がなくても、最先端のオブジェクト検出モデルのトレーニングと評価を可能にするか？
• RQ5 このフレームワークは、他のハリケーン発生時やその他の災害タイプへも一般化可能か？

主な発見

• ベンチマークデータセットには、ハリケーン・ハリー後のハリケーン・ハリー後におけるグレーター・ヒューストン地域で10万件を超えるラベル付き建物インスタンスが含まれており、『損傷なし』を含む5つの損傷クラスが存在する。
• FEMA損傷ポイントはTOMNODアノテーションを大幅に上回っており、広範なカバレッジを示しているが、両者ともに異なる地理的領域をカバーしている。
• FEMAポイントデータをパーセルおよび建物フットプリントデータと統合することで、オブジェクト検出に適した正確なバウンディングボックスの作成が可能になった。
• データセットはIEEE DataPortを通じて公開され、DOI: 10.21227/1s3n-f891 を介して利用可能であり、ESRI ShapefileおよびGeoTIFF形式で提供され、広範なアクセシビリティを実現している。
• PostGISインデックスと画像タイリングにより、フレームワークは効率的な地理空間処理を実現し、計算負荷を低減している。
• 得られたデータセットは、高性能コンピューティングや高度なリモートセンシングの専門知識がなくても、Faster R-CNN、SSD、RetinaNetなどの現代的なオブジェクト検出モデルのトレーニングを可能にしている。