[论文解读] Disaster Monitoring using Unmanned Aerial Vehicles and Deep Learning

Andreas Kamilaris, Francesc X. Prenafeta‐Boldú|arXiv (Cornell University)|Jul 31, 2018

Video Surveillance and Tracking Methods参考文献 28被引用 44

一句话总结

该论文证明，将简单的深度学习模型应用于无人机拍摄的空中图像，可以在544张图像的数据集上以91%的准确率识别灾害。

ABSTRACT

Monitoring of disasters is crucial for mitigating their effects on the environment and human population, and can be facilitated by the use of unmanned aerial vehicles (UAV), equipped with camera sensors that produce aerial photos of the areas of interest. A modern technique for recognition of events based on aerial photos is deep learning. In this paper, we present the state of the art work related to the use of deep learning techniques for disaster identification. We demonstrate the potential of this technique in identifying disasters with high accuracy, by means of a relatively simple deep learning model. Based on a dataset of 544 images (containing disaster images such as fires, earthquakes, collapsed buildings, tsunami and flooding, as well as non-disaster scenes), our results show an accuracy of 91% achieved, indicating that deep learning, combined with UAV equipped with camera sensors, have the potential to predict disasters with high accuracy.

研究动机与目标

• 动机：使用配备摄像头传感器的无人机进行灾害监测与减灾。
• 评估深度学习从空中图像中识别灾害事件的潜力。
• 突出一种相对简单的深度学习模型在灾害识别上实现高准确性的能力。
• 演示该方法对多种灾害类型的适用性（火灾、地震、倒塌建筑、海啸、洪水）。

提出的方法

• 使用配备摄像头的无人机收集灾害与非灾害场景的空中图像。
• 将深度学习模型应用于数据集，以从图像中进行灾害识别。
• 评估识别性能并在数据集上报告准确率。
• 讨论将无人机感知与深度学习结合用于快速灾害预测与响应的潜力。

实验结果

研究问题

• RQ1 基于无人机获取的空中图像，深度学习能否准确识别灾害事件？
• RQ2 在544张灾害与非灾害图像的数据集上，深度学习模型可达到的准确率是多少？
• RQ3 该方法在不同灾害类型（火灾、地震、倒塌建筑、海啸、洪水）上的泛化能力如何？

主要发现

• 在包括灾害和非灾害场景的544张图像数据集上，该模型实现了91%的准确率。
• 该研究证明了使用无人机图像的相对简单的深度学习模型在灾害识别方面的可行性。
• 结果表明基于无人机的深度学习系统在灾害监测和快速响应方面具有很高的潜力。