xBD|灾害响应数据集|机器学习数据集

arXiv2019-11-21 更新2024-08-06 收录

灾害响应

机器学习

850,736条

下载链接：

http://arxiv.org/abs/1911.09296v1

下载链接

链接失效反馈

资源简介：

xBD是一个大规模的数据集，旨在推动人道主义援助和灾害恢复研究中的变化检测和建筑损害评估。该数据集由卡内基梅隆大学等多个机构合作创建，提供了多种灾害事件前后的卫星图像，包含建筑多边形、损害等级序数标签及相应的卫星元数据。xBD数据集覆盖了多种灾害类型和地理区域，包含超过800,000个建筑标注，总面积超过45,000平方公里。数据集的创建过程严格，通过与全球灾害响应专家合作，确保了标注的高质量和准确性。xBD数据集主要用于xView 2奖金挑战，旨在促进创建从灾害前后卫星图像评估建筑损害的准确和高效的机器学习模型，以解决资源分配、救援和恢复等任务中的效率问题。

提供机构：

卡内基梅隆大学

开放时间：

2019-11-21

创建时间：

2019-11-21

AI搜集汇总

数据集介绍

构建方式

在人道主义援助和灾害恢复研究中，对建筑物损坏进行准确评估的需求日益增长。现有的应对策略需要在灾难发生后24-48小时内进行现场损坏评估，这不仅危险且耗时。为此，Gupta等人提出了xBD数据集，这是一个大规模的数据集，旨在利用卫星图像和计算机视觉算法自动评估损坏并减少对人类生命的潜在危险。该数据集包含了多个灾难事件的前后卫星图像，以及建筑物多边形、损坏等级的序数标签和相应的卫星元数据。此外，数据集还包含了表示环境因素（如火、水、烟）的边界框和标签。

特点

xBD数据集的特点在于其规模之大、多样性之丰富以及标注质量之高。它涵盖了多种灾难事件和地理位置，包含超过800,000个建筑物标注，跨越超过45,000平方公里的图像。为了确保数据集的质量，研究人员与来自世界各地的灾害响应专家合作，创建了一个能够准确反映现实世界损坏条件的标注标准。此外，他们还设计了一个严格、可重复且可验证的标注流程，确保了高质量标注并辅以专家的质量控制。数据集还包含了环境因素的标注，如火、水、烟等，为灾害响应提供了更多上下文信息。

使用方法

使用xBD数据集的方法包括数据预处理、模型训练和评估。数据预处理包括图像配准、标注匹配和图像像素偏移等步骤。模型训练可以采用各种计算机视觉算法，如深度学习模型，以从卫星图像中自动识别和分类建筑物损坏。评估则可以使用加权F1分数等指标来衡量模型在识别不同损坏等级时的准确性和召回率。此外，数据集还可以用于研究其他相关领域，如灾害风险评估、资源分配和救援路线规划等。

背景与挑战

背景概述

在自然灾害的背景下，准确评估受灾区域的建筑损毁程度对于人道主义援助和灾后恢复至关重要。传统的灾后响应策略依赖于在灾难发生后24-48小时内进行现场损害评估，这不仅危险，而且耗时。卫星图像与计算机视觉算法的结合为远程、自动评估损害并减少对人类生命的潜在危险提供了巨大的潜力。因此，由卡内基梅隆大学、软件工程研究所、国防创新单位、国防部以及CrowdAI, Inc.等机构合作创建的xBD数据集应运而生。该数据集提供了涵盖多种灾难事件的卫星图像，包括建筑多边形、损害程度等级标签和相应的卫星元数据，是目前为止最大的建筑损害评估数据集，包含超过85万个建筑注释，覆盖了超过45,362平方公里的图像。

当前挑战

尽管xBD数据集为灾害响应和恢复研究提供了宝贵的资源，但仍面临诸多挑战。首先，损害评估领域的问题在于现有的卫星图像数据集通常局限于单一类型的灾难，缺乏通用的损害评估标准。其次，构建过程中遇到的挑战包括如何确保图像的高分辨率以捕捉细微的损害差异，如何处理图像匹配和标注过程中的偏差和失真，以及如何创建一个能够跨多种灾难类型和地理区域通用的损害评估等级。此外，数据集中标签分布的不平衡和损害程度分类的细微差异也增加了计算机视觉模型训练和评估的难度。

常用场景

经典使用场景

在自然灾害响应和人道主义援助领域，xBd数据集被广泛应用于评估建筑损坏程度。通过结合卫星图像和计算机视觉算法，xBd数据集能够帮助救援人员快速准确地了解受灾地区的建筑损坏情况，从而更有效地分配救援资源、规划救援路线、进行救援和恢复工作。

衍生相关工作

xBd数据集的发布推动了相关领域的研究工作。基于xBd数据集，研究人员开发了一系列的机器学习模型和算法，用于自动化的建筑损坏评估、环境因素识别等任务。此外，xBd数据集还被用于开发灾害响应和人道主义援助相关的应用程序，为救援人员提供实时的决策支持。

数据集最近研究