美国国防部联合人工智能中心开源自然灾害卫星图像数据集
随着气候变化的加剧，自然灾害的影响可能变得不那么可预测。本周，卡内基梅隆大学软件工程研究所和CrowdAI(美国国防部联合人工智能中心(JAIC)和国防创新部门)共同计划开放一个标记的数据集过去十年中一些最大的自然灾害。它被称为xBD，它涵盖了全球灾难的影响，如2010年袭击海地的地震。
“虽然大规模灾害带来了灾难性的破坏，但它们相对较少，因此相关卫星图像的可用性很低。此外，建筑设计取决于结构在世界中的位置。因此，相同严重程度的损害可能因地而异，并且必须存在数据以反映这种现象，“阅读详细说明xBD创建的研究论文。
xBD包括大约700,000个建筑物的卫星图像，这些图像是在八种不同类型的自然灾害之前和之后发生的，包括地震，野火，洪水和火山爆发。它占地约5000平方公里，包含印度和非洲的洪水，老挝和巴西的大坝坍塌以及加利福尼亚和希腊的历史致命火灾。
该数据集将在未来几周内与xView 2.0 Challenge一起发布，以发掘xBD，合着者和CrowdAI机器学习主管Jigar Doshi告诉VentureBeat的更多见解。加州空军国民警卫队对野火造成的损害评估方法通报了数据集的收集工作。
“这一过程为一系列标准提供了指导，这些标准指导了我们将目标纳入数据集的具体数据，以及当前损害评估过程的弱点。每次灾难都是孤立对待的。人类分析师使用的过程在不同的灾难类型中不可重复或可重现。这种不可复制的数据提出了机器学习算法使用的主要问题;不同的灾害以不同的方式影响建筑物，建筑结构因国家而异，因此评估中的确定性是确保机器学习算法能够学习有意义模式的必要属性，“报告中写道。
该组还发布了联合伤害量表，这是一个建筑物损坏评估量表，标志着受影响的建筑物遭受“轻微损坏”，“重大损坏”或“被毁坏”。这些图像来自DigitalGlobe的开放数据计划。
xBD是本周早些时候在计算机视觉和模式识别(CVPR)2019年与数字视觉全球挑战研讨会一起举办的数十件作品之一。研讨会收到了来自15个国家的意见书。
会议上提出的其他工作包括研究南非的空间种族隔离，智利的森林砍伐预防，卫星图像的贫困预测以及南极洲的企鹅群体分析。
除了对xBD的贡献之外，CrowdAI去年与Facebook AI合作开发了来自Santa Rosa fire和Hurricane Harvey卫星图像的损伤评估方法系统。该项目基于来自CVPR 2018的DeepGlobe卫星图像挑战的工作。
Facebook AI研究人员还利用卫星图像和计算机视觉识别建筑物，以创建全球人口密度图。该倡议于4月开始，由联合国人道主义数据交换所主办的非洲地图。
今年也是CVPR的一部分，来自荷兰瓦赫宁根大学的研究人员介绍了从卫星图像，动物保护应用技术探索弱监督野生动物检测方法的工作。