Core Concepts
RescueNet bietet hochauflösende Post-Disaster-Bilder mit umfassenden Annotationen für präzise Schadensbewertung.
Abstract
Hintergrund & Zusammenfassung
Fortschritte in der Computer Vision und Deep Learning haben präzise Schadensbewertung nach Naturkatastrophen ermöglicht.
RescueNet bietet hochauflösende Bilder nach Hurrikan Michael mit Pixel-Ebene Annotationen.
Unterschied zu anderen Datensätzen: umfassende Annotationen für alle Klassen.
Evaluation von Segmentierungsmodellen auf RescueNet zur Verbesserung der Schadensbewertung.
Datensammlung
Bilder nach Hurrikan Michael mit UAVs gesammelt.
Einzigartigkeit: Daten von Notfallhelfern während der Reaktion gesammelt.
Datenannotation
Pixel-Ebene Annotation für 10 Klassen, einschließlich Gebäude, Straßen, Bäume, Wasser, Fahrzeuge.
Gebäudeschäden in vier Kategorien unterteilt.
Validierung
Rigoroser Überprüfungsprozess für Genauigkeit und Konsistenz der Annotationen.
Datensätze
RescueNet bietet umfassende semantische Etiketten für hochauflösende UAV-Bilder.
Klassifizierung von Gebäudeschäden und Straßensperrungen.
Technische Validierung
Implementierung von vier Segmentierungsmodellen und deren Leistung auf RescueNet.
Transferlernen verbessert die Leistung der Modelle auf anderen Datensätzen.
Anwendungsnotizen
Schadensklassifizierung von Gebäuden und Straßensegmentierung.
Nutzung in zukünftigen Katastrophenereignissen für präzise Schadensabschätzung.
Stats
Die Daten wurden von Notfallhelfern während der Reaktion gesammelt.
RescueNet bietet umfassende Annotationen für 10 Klassen.
Es gibt insgesamt 4494 Bilder im Datensatz.
Quotes
"RescueNet bietet hochauflösende Bilder nach Hurrikan Michael mit umfassenden Annotationen für präzise Schadensbewertung."