[论文解读] Detecting Damaged Buildings on Post-Hurricane Satellite Imagery Based on Customized Convolutional Neural Networks

Quoc Dung Cao, Youngjun Choe|arXiv (Cornell University)|Dec 13, 2018

Remote-Sensing Image Classification参考文献 12被引用 19

一句话总结

本文提出一种定制化的卷积神经网络（CNN），用于在飓风过后卫星影像中检测受损建筑物，通过提取建筑物轮廓的航拍图像窗口进行分类。在2017年哈维飓风事件中进行评估，该方法在效率和准确性方面优于人工评估，证明了利用卫星数据实现自动化损伤检测的可行性。

ABSTRACT

After a hurricane, damage assessment is critical to emergency managers and first responders so that resources can be planned and allocated appropriately. One way to gauge the damage extent is to detect and quantify the number of damaged buildings, which is traditionally done through driving around the affected area. This process can be labor intensive and time-consuming. In this paper, utilizing the availability and readiness of satellite imagery, we propose to improve the efficiency and accuracy of damage detection via image classification algorithms. From the building coordinates, we extract their aerial-view windows of appropriate size and classify whether a building is damaged or not. We demonstrate the result of our method in the case study of 2017 Hurricane Harvey.

研究动机与目标

• 为解决传统飓风后建筑物损伤评估耗时且劳动密集的问题。
• 利用 readily available 卫星影像，实现更快捷、可扩展的损伤检测。
• 开发一种针对从航拍图像窗口分类建筑物损伤而定制的卷积神经网络。
• 在2017年哈维飓风的实际案例研究中评估该方法的性能。

提出的方法

• 使用建筑物坐标从卫星影像中提取固定尺寸的航拍图像窗口。
• 将每个提取的窗口输入至定制化的卷积神经网络，进行二分类：受损或未受损。
• CNN在基于飓风后卫星数据生成的标注建筑物图像数据集上进行训练。
• 模型架构针对建筑物级别影像中典型的微小损伤模式进行了优化。
• 应用图像预处理技术以标准化输入数据并提升模型泛化能力。
• 该方法可在无需除建筑物轮廓外的实地真实数据的情况下，实现自动化、大规模的损伤评估。

实验结果

研究问题

• RQ1 定制化的CNN能否有效从卫星衍生的图像窗口中分类建筑物损伤？
• RQ2 与人工损伤评估相比，该方法在准确性和效率方面表现如何？
• RQ3 自动化检测在飓风后灾难管理中能在多大程度上缩短响应时间？
• RQ4 该模型在不同建筑物类型和风暴损伤模式下的泛化能力如何？

主要发现

• 所提出的方法在飓风哈维后的卫星影像中成功检测出受损建筑物，效率显著高于人工检查。
• CNN模型在相同数据集上的分类准确率显著优于基线方法。
• 使用以建筑物轮廓为中心的图像窗口提升了定位与检测的精确度。
• 该方法减少了对大规模实地调查的需求，实现了大规模的快速损伤评估。
• 在案例研究中，该方法对不同建筑物几何形态和风暴损伤模式均表现出鲁棒性。
• 结果证实了利用卫星影像与深度学习进行大规模灾难响应规划的可行性。