标签：建筑 rac 世纪 类型 weixin 一个 电信 http 并且
https://mp.weixin.qq.com/s/tQxkWFg4xeSpZxIubJlqNABy 超神经
场景介绍：通过比对受灾地区前后的卫星影像，标注出守在建筑和判断地区受灾程度，帮助救援资源的合理调配。
关键词：自然防灾、图像识别、卫星影像、卷积神经网络、物体识别
去年秋天，加利福尼亚州的山火疯狂肆虐了三周。它是美国一个世纪以来最致命的野火灾难，共夺走了 85 个生命，毁坏了约 14 万栋住宅。
据统计，全球每年会有几百次自然灾害发生，灾害导致近 5 万人死亡，数千万人流离失所，每年因为灾害造成的经济损失超过 1000 亿美元。
2018 年加州发生的山火，比过去十年的平均水平还要高出 30％
在自然灾害发生后，传统的应对方式是救援人员通过现场观察、救援电话等方式，来确定如何部署救援资源，耗时而且低效。
而救灾工作中，及时掌握全面而准确的信息，以实现资源的合理分配，是至关重要的。现在通过机器学习，就能够帮助我们与时间赛跑，挽回更多生命和损失。
在这次加州大火中，就有一家叫 CrowedAI 的公司通过卫星数据，综合图像视觉技术参与了救援。
CrowdAI 使用 Spacenet 和 Deepglobe 的卫星图像，以及 DigitalGlobe 和 Planet Labs 的数据，训练卷积神经网络。
只需一秒钟的时间，就能预测和评估受灾程度，再将评估结果报告给救援指挥中心，帮助科学调配救援资源，制定更科学的救援方案。
对卫星图像实现建筑物的识别
借助于 CrowdAI 自定义的深度学习模型，除了标注常规的房屋建筑，还扩大到了独立结构，比如车棚、公用设施棚和谷仓等。
在此次火灾中，从卫星图像中识别出结构后，根据受灾前后的图像对比， AI 模型用红点标识出损坏所在的位置。
对受损建筑等用红点标记
拓展到整个地区，通过标记点的数量定出受灾的严重程度，就能用不同的颜色区别出受灾的严重程度。
最后在 Google Earth 或 ArcGIS 上标记出来，就能为救灾和重建工作做出指导。
不同区域的受灾程度
对于不断追求评估速度的目标，CrowdAI 的创始人兼首席执行官 Devaki Raj 说到，「当灾难发生时，我们必须要快速的给出预测，这就是我们需要这种速度的原因。」
很多救援人员和级政府官员，通过这些快速生成的数据，更合理的协调了救援工作，这提升了解决紧要问题的效率。
「在过去的十年中，大量的卫星和无人机数据陆续上线，」 CrowdAI 的创始人兼首席执行官 Devaki Raj 说，「我们正在使用计算机视觉方面的最新进展，来处理这些数据。」
为了尽可能准确的完成受灾情况的评估，之前的方法需要很大量的数据训练，但 CrowdAI 的机器学习负责人Jigar Doshi 提到，「因为机器视觉技术已经很成熟了，我们不需要训练很大的模型（对受灾情况），就能进行有效的评估。」
CrowdAI 与其他利用卫星图像，通过计算机视觉等技术，提供数据服务的公司差不多，稍有不同的是，他们在把精力主要投入在自然灾害方面。
在去年飓风迈克尔侵袭之后，CrowdAI 与电信供应商 WOW 合作，评估佛罗里达州巴拿马城的建筑物损坏情况。根据 NOAA 提供的城市卫星图像，他们提供的数据帮助 WOW ，将工作人按照受灾程度进行合理的部署，以实现快速的恢复。
CrowdAI 还与 Facebook AI 进行过合作，研究飓风和火灾造成损失的评估工作。他们的研究成果《From Satellite Imagery to Disaster Insights》也被 NeurIPS 会议所接受。
（https://aiforsocialgood.github.io/2018/pdfs/track1/23_aisg_neurips2018.pdf)
在论文中，他们的研究达到了很好的效果：在 2017 年德克萨斯州附近被飓风哈维损坏的道路识别时，达到了 88.8％ 的准确率，而在 Santa Rosa 火灾中识别损坏建筑物时准确率达到了 81.1％。
通过对比灾难前后的图片数据，并且与人工提取作对比，计算出灾害影响指数（ DII ）
此外，CrowdAI 的另一篇文章《 Residual Inception Skip Network for Binary Segmentation 》，是关于从卫星图像中识别道路网络的工作，被另一个顶级会议 CVPR 所接受。
(http://openaccess.thecvf.com/content_cvpr_2018_workshops/papers/w4/Doshi_Residual_Inception_Skip_CVPR_2018_paper.pdf)
而在灾难预测的方面， CrowdAI 也在探索能够预测到的灾害模型，据称，他们在尝试通过整合风力、降水和社交媒体等数据，积极开发能超越卫星图像的深度学习工具。
谷歌和麦肯锡全球研究所做过一份报告，主旨是关于 AI 造福人类的案例，报告中提到，「 AI 能更准确地提供救援工作和应急准备，相比于人类救援要更快速，而且适用范围更广。」
毋庸置疑，在目前诸多针对卫星数据的机器学习案例中，多数是工业化和商业化的目标，而 CrowdAI 给了卫星数据更有人文关怀的应用场景，也让智能更有温度。
异常检测 Anomaly detection
异常检测就是对不匹配预期模式或数据集中其他项目的项目、事件或观测值的识别。异常检测有时也称偏差检测。异常对象是相对罕见的。
通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。
特别是在检测滥用与网络***时，有趣性对象往往不是罕见对象，但却是超出预料的突发活动。
这种模式不遵循通常统计定义中把异常点看作是罕见对象，于是许多异常检测方法（特别是无监督的方法）将对此类数据失效，除非进行了合适的聚集。相反，聚类分析算法可能可以检测出这些模式形成的微聚类。
1 秒划分受灾区域，CrowedAI 使用卫星影像评估加州山火损失
标签：建筑 rac 世纪 类型 weixin 一个 电信 http 并且
原文地址：https://blog.51cto.com/14929242/2535590
