[논문 리뷰] Benchmark Dataset for Automatic Damaged Building Detection from Post-Hurricane Remotely Sensed Imagery

Sean Andrew Chen, Andrew Escay외 4명|arXiv (Cornell University)|2018. 12. 13.

Remote-Sensing Image Classification참고 문헌 22인용 수 35

한 줄 요약

이 논문은 2017년 허리케인 하비 이후 텍사스 휠스턴 지역의 공공 데이터를 활용하여, 피해를 입은 건물의 벤치마크 데이터셋을 생성하기 위한 확장 가능한 프레임워크를 제시한다. 주요 기여는 FEMA 및 TOMNOD의 벡터 손상 주석과 래스터 영상 자료를 융합한 지리공간 데이터셋을 공개함으로써, 자동 재해 평가를 위한 객체 검출 모델의 훈련과 평가를 가능하게 한 것이다.

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.

연구 동기 및 목표

• 허리케인 이후 빠르고 자동화된 손상 평가의 필수적인 필요성을 해결하여 대응 시간과 노동 비용을 줄이기 위해.
• 현장 조사 및 시각적 점검의 한계를 극복하기 위해 원격 감시 및 머신러닝 기술을 활용하기 위해.
• 일관된 평가를 가능하게 하기 위해 표준화된 공개 벤치마크 데이터셋을 구축하여 재해 후 상황에서 객체 검출 모델의 평가를 가능하게 하기 위해.
• 다른 허리케인 사건에 대해서도 유사한 데이터셋을 생성하기 위한 확장 가능한 프레임워크를 개발하여 모델의 일반화 능력을 향상시키기 위해.
• FEMA 손상 보고서, TOMNOD 커뮤니티 기반 주석, 고해상도 영상 등 다양한 데이터 원천을 통합하여 연구자들이 사용할 수 있는 통합된 형식으로 제공하기 위해.

제안 방법

• DigitalGlobe 및 NOAA에서 제공하는 공공의 전후 위성 및 항공 영상(색상 필드는 RGB만 사용)을 활용한다.
• FEMA(점 기반 손상 보고서) 및 TOMNOD(공동체 기반 건물 손상 주석)로부터 얻은 벡터 손상 데이터를 통합한다.
• 지역 정부에서 제공한 카운티 토지 파라셀 다각형과 FEMA 손상 점을 공간적으로 결합하여 지리공간 정확도를 향상시킨다.
• 각 파라셀 내의 건물 풍경에 대해 다수의 구조물이 존재할 경우 가장 큰 풍경을 선택하여 연결한다.
• 식별된 구조물 주위에 최소 외접 상자(Minimum Bounding Box)를 생성하고, 관련된 FEMA 또는 TOMNOD 레이블에 따라 손상 수준을 할당한다.
• 공간 색인 및 성능 최적화를 위해 PostGIS를 사용하여 데이터를 저장 및 관리하고, 대규모 영상을 타일링하여 효율적인 처리를 수행한다.

실험 결과

연구 질문

• RQ1 후기 허리케인 원격 감시 영상에서 손상된 건물 검출을 위한 확장 가능한 자동화 프레임워크를 개발할 수 있는가?
• RQ2 FEMA 손상 보고서의 커버리지와 커뮤니티 기반 주석인 TOMNOD 주석 간의 레이블 일관성은 어떻게 비교되는가?
• RQ3 여러 출처에서 확보한 공공 데이터를 통합하여 신뢰할 수 있고 지리공간적으로 정확한 벤치마크 데이터셋을 만들 수 있는가?
• RQ4 생성된 데이터셋은 고도의 원격 감시 전문 지식 없이도 최신 객체 검출 모델의 훈련과 평가를 지원할 수 있는가?
• RQ5 이 프레임워크는 다른 허리케인 사건과 재해 유형으로 일반화할 수 있는 잠재력이 있는가?

주요 결과

• 벤치마크 데이터셋은 허리케인 하비 이후 휠스턴 지역의 10만 개 이상의 레이블링된 건물 인스턴스를 포함하며, '손상되지 않은' 포함 총 5개의 손상 수준 클래스를 포함한다.
• FEMA 손상 점은 TOMNOD 주석보다 수가 현저히 많으며, 더 넓은 커버리지가 있음을 시사하지만, 양측 데이터셋은 서로 다른 지리적 지역을 커버한다.
• FEMA 점 데이터를 토지 파라셀 및 건물 풍경 데이터와 통합함으로써 객체 검출을 위한 정확한 외접 상자를 생성할 수 있었다.
• 데이터셋은 IEEE DataPort 통해 공개되며, DOI: 10.21227/1s3n-f891를 통해 접근 가능하며, ESRI Shapefile 및 GeoTIFF 형식으로 제공되어 광범위한 접근성을 확보하였다.
• PostGIS 색인 및 영상 타일링을 통해 효율적인 지리공간 처리가 가능해져 계산 오버헤드가 감소하였다.
• 최신 객체 검출 모델인 Faster R-CNN, SSD, RetinaNet의 훈련이 고성능 컴퓨팅 또는 깊은 원격 감시 전문 지식 없이도 가능함을 입증하였다.