[논문 리뷰] From Satellite Imagery to Disaster Insights

Jigar Doshi, Saikat Basu외 1명|arXiv (Cornell University)|2018. 12. 17.

Remote-Sensing Image Classification참고 문헌 11인용 수 49

한 줄 요약

본 논문은 재해 영향 지수(Disaster Impact Index, DII)를 도입하여 재해 전후 위성 이미지에서 사전 학습된 CNN 분할로 탐지된 인공 구조물(도로, 건물)의 변화를 측정해 재해 영향을 정량화하고, 허리케인과 산불에 걸친 지상 실제값과 강한 상관성을 보임을 보인다.

ABSTRACT

The use of satellite imagery has become increasingly popular for disaster monitoring and response. After a disaster, it is important to prioritize rescue operations, disaster response and coordinate relief efforts. These have to be carried out in a fast and efficient manner since resources are often limited in disaster-affected areas and it's extremely important to identify the areas of maximum damage. However, most of the existing disaster mapping efforts are manual which is time-consuming and often leads to erroneous results. In order to address these issues, we propose a framework for change detection using Convolutional Neural Networks (CNN) on satellite images which can then be thresholded and clustered together into grids to find areas which have been most severely affected by a disaster. We also present a novel metric called Disaster Impact Index (DII) and use it to quantify the impact of two natural disasters - the Hurricane Harvey flood and the Santa Rosa fire. Our framework achieves a top F1 score of 81.2% on the gridded flood dataset and 83.5% on the gridded fire dataset.

연구 동기 및 목표

• 위성 이미지를 통한 구호 및 구호 작전을 안내하기 위한 빠르고 확장 가능한 재해 맵핑의 동기 부여.
• 시계열의 고수준 인공 특성을 활용하여 계절 및 조명 변화에 무관한 영역 단위의 변화를 탐지한다.
• 손상 탐지를 위해 CNN을 특화 학습하는 대신 사전 학습된 도로/건물 모델을 활용하는 확장 가능한 방법을 개발한다.
• 변화를 실행 가능한 격자로 묶어 대응 우선순위를 정하는 정량적 재해 영향 지수(DII)를 도입한다.

제안 방법

• 사전 학습된 의미적 분할 모델(Residual Inception Skip network)을 사용하여 재해 전후 이미지에서 도로와 건물을 추출한다.
• 재해 전후 분할 마스크 간 픽셀 단위 변화 마스크를 계산하고 노이즈를 줄이기 위해 팽창 및 디노이징을 적용한다.
• 영역을 n×n 격자로 분할하고(실험에서 256×256), 격자 간의 변화 수요를 정규화한 값으로 재해 영향 지수(DII)를 계산한다(Equation provided).
• 영역의 최대 영향을 식별하기 위해 τ = 0.01로 DII를 임계값화하고 이러한 영역을 클러스터링하여 구호 노력을 안내한다.
• Spacenet과 DeepGlobe 데이터셋을 결합해 학습하고, 허리케인 Harvey 홍수 및 Santa Rosa 화재 데이터셋에서 픽셀 단위 및 격자 기반의 지상 진실을 사용해 검증한다.

실험 결과

연구 질문

• RQ1 사전 학습된 CNN이 탐지한 고수준의 인공 특성의 변화가 손상 특이적 탐지기를 학습하지 않고도 재해 영향을 나타낼 수 있는가?
• RQ2 ,

주요 결과

• DII 기반 도로 변화 예측이 Harvey 홍수 격자 데이터에서 F1 81.2% 및 IoU 68.3%를 달성한다.
• DII 기반 도로 변화 예측이 Santa Rosa 화재 격자 건물 데이터에서 F1 83.5% 및 IoU 71.7%를 달성한다.
• 도로 및 건물에 대한 픽셀 단위 변화 예측은 DII 기반 격자 평가에 비해 F1 및 IoU가 낮아, 집계의 가치가 있음을 보여준다.
• 예측된 재해 영역(DII를 통해)과 지상 진실 재해 영향 영역 간에 홍수 및 화재 사례 모두에서 양의 상관관계가 있다.