من ربات ترجمیار هستم و خلاصه مقالات علمی رو به صورت خودکار ترجمه میکنم. متن کامل مقالات رو میتونین به صورت ترجمه شده از لینکی که در پایین پست قرار میگیره بخونین
ارزیابی خسارات مبتنی بر یادگیری ماشین برای امدادرسانی به آسیبدیدگان
منتشر شده در: Google AI blog به تاریخ ۱۶ ژانویه ۲۰۲۰
لینک مطلب اصلی: Machine Learning-based Damage Assessment for Disaster Relief
بلایای طبیعی مانند زلزله، طوفان و سیل مناطق بزرگ و میلیون ها نفر را تحتتاثیر قرار میدهند اما پاسخ به چنین بلایایی چالش لجستیکی عظیمی است. مسئولین رسیدگی به بحران، از جمله دولتها، سازمانهای غیر دولتی، و سازمانهای سازمان ملل، نیاز به دسترسی سریع به ارزیابیهای جامع و دقیق پس از بلایا برای برنامهریزی بهترین روش برای تخصیص منابع محدود دارند. به این منظور، تصاویر ماهوارهای با قدرت تفکیک بسیار بالا (VHR) ، با قدرت تفکیک بیش از ۰.۳ متر، در حال تبدیل شدن به ابزاری بسیار مهم برای واکنش به بحران است، و به مسئولین وسعت بیسابقهای از اطلاعات بصری در مورد چگونگی تغییر زمین، زیرساختها، و جمعیت در اثر بلایا میدهد.
با این حال، هنوز هم نیروی کار دستی فشرده برای استخراج اطلاعات عملیاتی-ساختمانهای فروریخته، شکاف در پلها، جایی که مردم پناهگاههای موقت ایجاد کردهاند-از تصاویر خام ماهوارهای مورد نیاز است. به عنوان مثال، برای زلزله ۲۰۱۰ هائیتی، تحلیلگران به طور دستی بیش از ۹۰۰۰۰ ساختمان را تنها در منطقه پورتوپرنس بررسی کردند و میزان خسارات وارده به هر یک از آنها را در مقیاس پنج امتیازی ارزیابی کردند. بسیاری از این تحلیلهای دستی چندین هفته طول میکشد تا تیم کارشناسان کامل شوند، در حالی که در طول ۴۸ تا ۷۲ ساعت پس از فاجعه، زمانی که تصمیمات فوری گرفته میشوند، بیشتر به آنها نیاز است.
برای کمک به کاهش تاثیر چنین بلایایی، ما «تشخیص آسیب ساختمان در تصویرسازی ماهوارهای با استفاده از شبکههای عصبی کانولوشنال» را ارایه میدهیم، که جزییات رویکرد یادگیری ماشین (ML) برای پردازش خودکار دادههای ماهوارهای برای ایجاد ارزیابی آسیب را شرح میدهد. ما که با همکاری شتابده نوآوری برنامه جهانی غذا (WFP) سازمان ملل متحد توسعهیافته ایم، بر این باوریم که این کار این پتانسیل را دارد که زمان و تلاش مورد نیاز برای کارگران بحران برای تهیه گزارشهای ارزیابی خسارت را به شدت کاهش دهد. در عوض، این امر زمانهای برگشت مورد نیاز برای ارائه کمکهای به موقع به مناطق شدیدا آسیبدیده را کاهش میدهد، در حالی که پوشش کلی چنین خدمات بحرانی را افزایش میدهد.
رویکرد
فرآیند ارزیابی اتوماتیک آسیب به دو مرحله تقسیم میشود: تشخیص ساختمان و طبقهبندی آسیب. در مرحله تشخیص ساختمان، رویکرد ما از یک مدل تشخیص شی برای کشیدن جعبههای مقید کننده اطراف هر ساختمان در تصویر استفاده میکند. سپس تصاویر پیش از فاجعه و پس از فاجعه را با تمرکز بر هر یک از ساختمانهای شناساییشده استخراج کرده و از یک مدل طبقهبندی برای تعیین اینکه آیا ساختمان آسیبدیده است یا خیر استفاده میکنیم.
مدل طبقهبندی متشکل از یک شبکه عصبی کانولوشنی است که به آن ورودی دو تصویر ۱۶۱ در ۱۶۱ پیکسل تمام رنگی، مطابق با سطح قاعده زمینی ۵۰ متر در مرکز یک ساختمان داده شدهاست. یک تصویر از قبل از رویداد فاجعه است، و تصویر دیگر از بعد از رویداد فاجعه است. این مدل تفاوتها در دو تصویر را بررسی میکند و امتیازی از ۰.۰ تا ۱.۰ میدهد، که ۰.۰ به این معنی است که ساختمان آسیب ندیده است، و ۱.۰ به این معنی است که ساختمان آسیبدیده است.
از آنجا که تصاویر قبل و بعد از آن در تاریخهای مختلف، در زمانهای مختلف روز، و در برخی موارد به طور کلی توسط ماهوارههای مختلف گرفته میشوند، میتواند مجموعهای از مشکلات مختلف بوجود آید. به عنوان مثال، روشنایی، کنتراست، اشباع رنگ، و شرایط نوری تصاویر ممکن است به طور قابلتوجهی متفاوت باشند، و پیکسل ها در تصویر ممکن است ناهمساز هم باشند.
برای اصلاح تفاوتها در رنگ و نورپردازی، ما از یکسان سازی هیستوگرام برای نرمال کردن رنگها در قبل و بعد از تصویر استفاده میکنیم. ما همچنین مدل را با استفاده از تکنیکهای افزایش داده استاندارد، مانند برهم زدن تصادفی کنتراست و اشباع تصاویر، در طول آموزش، نسبت به تفاوتهای رنگی ناچیز، قویتر میسازیم.
دادههای آموزشی
یکی از چالشهای اصلی این کار، جمعآوری یک مجموعه داده آموزشی است. دسترسی به دادهها در این کاربرد به طور ذاتی محدود است زیرا تنها تعداد انگشت شماری از فجایع وجود دارند که تصاویر ماهوارهای با قدرت تفکیک بالا و حتی تعداد کمتری از آنها دارای ارزیابی آسیبهای موجود هستند. برای برچسبها، ما از ارزیابیهای آسیب موجود عمومی به صورت دستی توسط سازمانهای بشر دوستانه فعال در این فضا مانند UNOSAT و REACH استفاده میکنیم. ما تصاویر ماهوارهای اصلی را که ارزیابیهای دستی بر روی آنها انجام میشود به دست میآوریم و سپس از موتور Google Earth برای اتصال فضایی برچسبهای ارزیابی آسیب با تصاویر ماهوارهای به منظور تولید نمونههای آموزشی نهایی استفاده میکنیم. تمام تصاویر مورد استفاده برای آموزش مدل از منابع تجاری موجود منبع یابی شدند.
نتایج
ما این فنآوری را برای سه زلزله بزرگ گذشته ارزیابی کردیم: زلزله ۲۰۱۰ در هائیتی (به بزرگی ۷) ، رویداد ۲۰۱۷ در مکزیکو سیتی (به بزرگی ۷ / ۱) ، و مجموعهای از زلزلههایی که در اندونزی در سال ۲۰۱۸ (به بزرگی ۹ / ۵-۵ / ۷) رخ دادند. برای هر رویداد، ما مدل را بر روی ساختمانهای یک بخش از منطقه تحتتاثیر زلزله آموزش دادیم و آن را بر روی ساختمانهای بخش دیگری از منطقه آزمایش کردیم. ما از ارزیابی خسارت متخصص انسانی توسط UNOSAT و REACH به عنوان حقیقت زمینه برای ارزیابی استفاده کردیم. ما کیفیت مدل را با استفاده از دقت درست (در مقایسه با ارزیابی متخصص) و سطح زیر منحنی ROC (AUROC) اندازهگیری میکنیم، که تبادل بین نرخهای مثبت و مثبت واقعی مدل و مثبت کاذب تشخیص را بدست میآورد، و یک روش رایج برای اندازهگیری کیفیت در زمانی است که تعداد نمونههای مثبت و منفی در مجموعه دادههای تست نامتعادل است. مقدار ۰.۵ از AUROC به این معنی است که پیشبینیهای مدل تصادفی هستند، در حالی که مقدار ۱.۰ به این معنی است که مدل کاملا دقیق است. با توجه به بازخورد پاسخ دهندگان به بحران، دقت ۷۰٪ آستانه مورد نیاز برای اتخاذ تصمیمات سطح بالا در ۷۲ ساعت اول پس از فاجعه است.
ترجمه این مقاله با استفاده از ربات ترجمه آنلاین مقالات هوش مصنوعی انجام شده و بصورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه ممکن است دارای برخی اشکالات ترجمه باشد.
مطلبی دیگر از این انتشارات
گوگل میتواند سیگنالهای رتبهبندی بدون A ۳۰۱ Redirect را به جلو ببرد
مطلبی دیگر از این انتشارات
سازگاری محاسبات کوانتومی - IBM راهی برای مقیاسبندی؟
مطلبی دیگر از این انتشارات
۱۲۰ سال از بازیهای المپیک