Искусственный интеллект быстро оценивает повреждения зданий при наводнениях с помощью спутниковых снимков

Исследователи из Университета Осаки разработали модель глубокого обучения для быстрой оценки повреждений зданий после наводнений с использованием спутниковых снимков. Эта работа устанавливает первый систематический эталон для данной задачи и представляет новый метод полуконтролируемого обучения, достигающий 74% производительности полностью контролируемых моделей, используя лишь 10% размеченных данных.

Новая, легковесная модель глубокого обучения под названием SPADANet (Simple Prior Attention Disaster Assessment Net) значительно сокращает количество пропущенных поврежденных зданий, улучшая показатель полноты (recall) более чем на 9% по сравнению с существующими моделями. Исследование, опубликованное в International Journal of Disaster Risk Reduction, предоставляет ключевые принципы проектирования для будущих систем ИИ, предназначенных для ликвидации последствий стихийных бедствий, что позволяет ускорить и повысить эффективность спасательных операций.

Быстрая и точная оценка ущерба критически важна для эффективного реагирования на стихийные бедствия. Текущие методы часто сталкиваются с проблемой ограниченной доступности размеченных данных и слабой выраженностью признаков повреждений от наводнений на спутниковых изображениях. Представленный подход использует регуляризацию согласованности на уровне изображения и механизм приоритетного внимания (prior-attention) для улучшения оценки. Оценка проводилась на новом специализированном наборе данных о повреждениях от наводнений.

Модель SPADANet эффективно выявляла повреждения зданий даже при ограниченном количестве размеченных обучающих данных. Ее механизм приоритетного внимания оказался особенно ценным для обнаружения слабовыраженных повреждений, которые часто пропускаются традиционными моделями детектирования изменений. Делая акцент на комплексном обнаружении повреждений — «не оставляя ни одно здание непроверенным» — SPADANet предлагает более практичный и значимый подход к пост-катастрофической оценке.

Ведущий исследователь Цзяси Юй заявляет: «Среди хаоса катастрофы самая важная роль ИИ — быстро предоставить информацию, чтобы спасти как можно больше жизней. Эта гуманитарная миссия питает все наши исследовательские усилия». Он надеется, что эта работа заложит основу для технологий, развертываемых в спасательных операциях по всему миру.