Прежде всего, я хочу сказать жителям Калифорнии, что мои мысли и наилучшие пожелания с вами, и я надеюсь, что вы останетесь в безопасности от смертоносных пожаров, в том числе и особенно от пожарных, борющихся с этим на передовой.

Я лично видел и участвовал в подобных стихийных бедствиях, и сегодня, хотя я не могу быть на передовой, я хочу делать то, что могу, как король ботаников. Учитывая, что мы специалисты в области данных и компьютерных наук, давайте поговорим о том, как ИИ и машинное обучение могут помочь нам в подобных бедствиях, и, возможно, если мы будем работать лучше, в будущем мы сможем опережать время, реагировать немного быстрее, и спасти несколько жизней. И если мы сможем посвятить достаточно времени и усилий повышению осведомленности и привлечению инвестиций, я уверен, что мы прорвемся.

Но, пожалуйста, не поймите меня неправильно, когда я сказал, что я «король ботаников», я не являюсь экспертом в этой области (и я, конечно, надеюсь, что ко мне присоединятся другие эксперты). Но я хочу поделиться стоящим проектом и журнальной статьей, с которой я лично столкнулся и попробовал сам, надеюсь, это привлечет или даже вдохновит некоторых молодых людей в области компьютерных наук, чтобы они больше работали в этой области, чтобы избежать трагических человеческих жизней и беспрецедентных потерь. имущества.

Статья в журнале: Обнаружение стихийных бедствий, повреждений и происшествий в дикой природе Вебером и другими.

Первый журнал, который мне понравился, — «Обнаружение стихийных бедствий, повреждений и происшествий в дикой природе» (E. Weber et al., 2020), ссылка на который приведена ниже.

В этой статье г-н Вебер и его коллеги исследовали, как автоматически и систематически обнаруживать стихийные бедствия, повреждения и инциденты на изображениях в социальных сетях, размещаемых на таких платформах, как Twitter и Flickr. И да, мы все пользуемся Twitter и Flickr, почему мы этого не сделали.

Изображения были загружены из Google Images с использованием набора запросов и содержат большие наборы данных об инцидентах, которые содержат 446 684 помеченных человеком сценоцентрических изображения, охватывающих широкий спектр категорий происшествий, таких как землетрясение, лесной пожар, оползень и другие. Г-н Вебер и его коллеги показывают, как полученную модель можно использовать для выявления инцидентов в больших коллекциях изображений в социальных сетях.

В эпоху социальных сетей, где сообщения могут отправлять новости быстрее, чем отчеты, и когда секунды могут означать жизнь и смерть, я лично нахожу это исследование вдохновляющим. В статье г-н Вебер сказал: «Мы надеемся, что этот вклад будет стимулировать дальнейшие исследования», и я, конечно, тоже на это надеюсь. Хотя я, конечно, не так умен, как г-н Вебер, я хочу поделиться этой статьей и призвать всех энтузиастов информатики / компьютерного зрения прочитать ее.

Код, данные и модели доступны в Интернете по адресу:

https://www.csail.mit.edu/news/detecting-and-responding-incidents-images и

http://incidentsdataset.csail.mit.edu.

Журнальная статья: Создание оценки ущерба от стихийных бедствий на спутниковых снимках с многовременным слиянием

Это еще одна журнальная статья г-на Этана Вебера и г-на Хассана Кана (ну, что я могу сказать, я большой поклонник г-на Итана). Я наткнулся на эту журнальную статью, когда проводил исследование для вышеупомянутой статьи.

В этой статье г-н Вебер и г-н Кан указали, насколько трудоемка и ручная работа аналитиков спутниковых изображений и как можно использовать методы глубокого обучения и компьютерного зрения для своевременного обнаружения изменений во время стихийных бедствий, которые могут привести к для более быстрого реагирования и спасения жизней.

Их статью можно найти по этой ссылке: https://arxiv.org/pdf/2008.09188.pdf

Набор данных, используемый для обучения модели

Набор данных xBD (Gupta et al., 2019) был одним из первых адекватных спутниковых изображений повреждений зданий, содержащих изображения 19 различных стихийных бедствий на 22 068 изображениях и 850 736 многоугольниках зданий. Каждое изображение имеет разрешение 1024 на 1024 пикселей.

Что мне показалось наиболее интересным

Я уверен, что вы перейдете к статье, чтобы прочитать статью в деталях, но что мне показалось чрезвычайно интересным, так это то, что г-н Вебер и г-н Кан обнаружили, что изображения с разрешением 1024 на 1024 были слишком малы для модели, чтобы точно нарисовать границы здания. . Чтобы преодолеть это, они обучили и запустили модели на четырех изображениях 512 на 512, образующих четыре квадранта.

Я уверен, что вы сталкивались с подобными проблемами, когда входные данные вашей модели не идеальны, и этот элегантный способ работы с квадрантами изображения вместо полного изображения и как наилучшим образом использовать то, что у нас есть, является одним из ключевых уроков. научился за меня.

На картинке также есть несколько действительно красивых фигур (которые я очень хочу прикрепить, но не могу), и я уверен, что вы перепрыгнете, чтобы прочитать все об этом на https://arxiv.org/format/2004.05525.

Проект реагирования на стихийные бедствия — что-то, что вы тоже можете попробовать

На самом деле я столкнулся с этим проектом, когда проводил один из своих онлайн-курсов (я не буду раскрывать здесь название платформы, чтобы избежать нежелательных подозрений), но ниже я помещу статью для СМИ, в которой о проекте рассказывается гораздо подробнее. (и раскрывает платформу, которую я стараюсь не говорить, ха-ха)

Короче говоря, проект помогает нам построить конвейер реагирования на бедствия с помощью восьмерки. Я проанализировал и подготовил текстовые сообщения, чтобы создать конвейер для классификации экстренных текстовых сообщений в зависимости от потребности, о которой сообщил отправитель. Г-н Вебер сосредоточился на изображениях. Но я думаю, что мы также можем сосредоточиться на текстовых сообщениях, как и в том, что освещал проект, которые также могут раскрывать информацию о стихийных бедствиях и быстро формировать соответствующие ответы на основе текстов в социальных сетях. Я даже считаю, что тексты могут служить лучшей альтернативой изображениям, что, следовательно, приводит к потенциальному использованию обработки естественного языка в дополнение к методам компьютерного зрения.

Не стесняйтесь взглянуть на эту статью на Medium по адресу https://medium.com/@simone.rigoni01/disaster-response-pipeline-with-figure-eight-a0addd696352, где г-н Симоне Ригони подробно обсуждает этот проект.

Кроме того, нет причин не посещать Kaggle и GitHub, если вам интересны подобные проекты.

Заключение

Что ж, спасибо, что остаетесь со мной так далеко. Единственная цель этой статьи — поделиться некоторыми интересными журналами и проектами, с которыми я лично столкнулся, и, надеюсь, привлечь еще хотя бы одного читателя, заинтересованного в использовании методов искусственного интеллекта, машинного обучения, компьютерного зрения или НЛП для помощи в реагировании на стихийные бедствия. Тогда мое время, потраченное на эту статью, будет того стоить.

Кроме того, для настоящих экспертов и настоящих королей ботаников, пожалуйста, не стесняйтесь комментировать ниже или делиться похожими журналами и проектами. Да, мы можем, мы можем использовать технологии, чтобы помочь себе в такое катастрофическое время.

Наконец, еще одно фото, отдающее честь тушению пожаров на передовой. Вы, ребята, настоящие герои!