與災難賽跑: 機器學習助力大規(guī)模自動化災后損失評測
訓練數據
深度學習最大的挑戰(zhàn)來自于收集充分有效的數據來對模型進行訓練，這一問題在災后重建分析中尤其突出。因為記錄了高分辨率衛(wèi)星影像的災害較少，而其中包含損害建筑的結果就更少。這一工作中研究人員使用了UNOSAT和REACH等組織提供的公開災后評估數據，這些原始的衛(wèi)星影像經過手工評估后，再利用谷歌地球來將損害程度評分添加到對應的空間坐標中以獲取最終的訓練數據。
訓練中使用的圖像元，包含了災前和災后的建筑受損情況
性能
研究人員在近年來的三場地震中評估了模型的性能，在每次災害中利用部分區(qū)域來訓練模型，并在另一部分區(qū)域中進行測試。結果的基準來源于UNOSAT和REACH中人類專家的評估結果，并利用與人類評測相比的真實精度和ROC曲線來對模型的性能進行評估。ROC曲線是機器學習領域用來測量模型對于正負樣本分類能力的常用指標，曲線下的面積越接近1，說明其分類的精度就越高。根據前線救災人員的經驗，在災后72小時內超過70％的準確率閾值就能為救災提供有效的決策支撐。
下圖顯示了災前和災后建筑的損毀情況及模型的評估得分，可以看出損壞建筑的分數都較為接近1而無損建筑的得分較小，即使周圍的地貌發(fā)生了明顯變化也不會被誤判。0．5可以作為典型的判斷閾值來進行受損分類。
這一工作顯示了衛(wèi)星影像應用于自動化災后評估的潛力。雖然目前是在在同一地區(qū)不同區(qū)域進行訓練和測試，但最終目標將是為全球任何區(qū)域提供精確的災后建筑受損評估服務。在未來將會加入更多的訓練數據以覆蓋多樣性的地理區(qū)域和建筑風格。同時還將提供交互式的訓練、驗證和專家系統(tǒng)來為相關部門提供更多的決策信息和有效災后響應，并讓這套系統(tǒng)為災后救援與時間賽跑中，提供最為迅捷的評估信息。
關于我“門”
將門是一家以專注于發(fā)掘、加速及投資技術驅動型創(chuàng)業(yè)公司的新型創(chuàng)投機構，旗下涵蓋將門創(chuàng)新服務、將門技術社群以及將門創(chuàng)投基金。將門成立于2015年底，創(chuàng)始團隊由微軟創(chuàng)投在中國的創(chuàng)始團隊原班人馬構建而成，曾為微軟優(yōu)選和深度孵化了126家創(chuàng)新的技術型創(chuàng)業(yè)公司。
將門創(chuàng)新服務專注于使創(chuàng)新的技術落地于真正的應用場景，激活和實現(xiàn)全新的商業(yè)價值，服務于行業(yè)領先企業(yè)和技術創(chuàng)新型創(chuàng)業(yè)公司。
將門技術社群專注于幫助技術創(chuàng)新型的創(chuàng)業(yè)公司提供來自產、學、研、創(chuàng)領域的核心技術專家的技術分享和學習內容，使創(chuàng)新成為持續(xù)的核心競爭力。
將門創(chuàng)投基金專注于投資通過技術創(chuàng)新激活商業(yè)場景，實現(xiàn)商業(yè)價值的初創(chuàng)企業(yè)，關注技術領域包括機器智能、物聯(lián)網、自然人機交互、企業(yè)計算。在近四年的時間里，將門創(chuàng)投基金已經投資了包括量化派、碼隆科技、禾賽科技、寬拓科技、杉數科技、迪英加科技等數十家具有高成長潛力的技術型創(chuàng)業(yè)公司。
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
