[论文解读] 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 35

一句话总结

本论文提出了一套可扩展的框架，利用2017年德克萨斯州休斯顿大都市区飓风哈维的公开数据，从飓风后的卫星和航空影像中创建受损建筑物的基准数据集。其主要贡献在于公开发布了地理空间数据集——结合FEMA的矢量损伤标注与TOMNOD的标注，以及栅格影像——使研究人员能够训练和评估用于自动化灾害评估的目标检测模型。

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.

研究动机与目标

• 解决飓风后快速、自动化损伤评估的迫切需求，以缩短响应时间并降低人力成本。
• 通过利用遥感技术和机器学习，克服人工现场调查与视觉检查的局限性。
• 创建一个标准化、公开可用的基准数据集，以实现对灾害后场景中目标检测模型的一致性评估。
• 开发一个可扩展的框架，用于为其他飓风事件生成类似数据集，以提高模型的泛化能力。
• 将多种数据源——FEMA损伤报告、TOMNOD众包标注以及高分辨率影像——整合为统一、可用的格式，供研究人员使用。

提出的方法

• 仅使用DigitalGlobe和NOAA提供的公开预灾与灾后卫星及航空影像（仅RGB波段）。
• 整合来自FEMA（点级别损伤报告）和TOMNOD（众包建筑物损伤标注）的矢量损伤数据。
• 将FEMA损伤点与本地政府提供的县土地登记多边形进行空间连接，以提高地理空间精度。
• 将土地登记多边形与其中的建筑物轮廓关联，当存在多个结构时选择最大轮廓。
• 在识别出的建筑物周围生成最小外接矩形，并根据关联的FEMA或TOMNOD标签分配损伤等级。
• 使用PostGIS进行空间索引与性能优化，以存储和管理数据，并对大影像进行分块处理，以实现高效处理。

实验结果

研究问题

• RQ1 能否开发一种可扩展、自动化的框架，从飓风后的遥感影像中生成受损建筑物检测的基准数据集？
• RQ2 在飓风后的评估中，FEMA损伤报告的覆盖范围与标注一致性，与众包的TOMNOD标注相比如何？
• RQ3 来自多个来源的公开数据在多大程度上可以被整合，以创建一个可靠且地理空间准确的基准数据集？
• RQ4 该数据集是否能够在无需专门遥感专业知识的情况下，支持最先进目标检测模型的训练与评估？
• RQ5 该框架在其他飓风事件及灾害类型中的泛化潜力如何？

主要发现

• 该基准数据集包含休斯顿大都市区飓风哈维后超过100,000个标注的建筑物实例，涵盖五种类别的损伤程度，包括“未受损”。
• FEMA损伤点的数量显著多于TOMNOD标注，表明其覆盖范围更广，但两套数据集覆盖的地理区域各不相同。
• 将FEMA点数据与土地登记及建筑物轮廓数据结合，成功生成了用于目标检测的精确边界框。
• 该数据集通过IEEE DataPort公开共享，DOI为10.21227/1s3n-f891，以ESRI Shapefile和GeoTIFF格式提供，确保广泛可及性。
• 该框架通过PostGIS索引与影像分块实现高效的地理空间处理，显著降低了计算开销。
• 所生成的数据集支持现代目标检测模型（如Faster R-CNN、SSD和RetinaNet）的训练，且无需高性能计算资源或深入的遥感专业知识。