کشف سیل در تصاویر اخذ شده توسط پهپاد با استفاده از معماری pspnet و برآورد عدم قطعیت پیش‌بینی‌ها به کمک روش دورریز مونت کارلو

سیلاب‌ها از شایع‌ترین و خطرناک‌ترین مخاطرات طبیعی هستند که در مقیاس وسیع بر جامعه تاثیر گذاشته و آسیب‌های مالی و جانی قابل توجهی را به آن وارد می‌کنند. استفاده از جدیدترین فناوری‌ها و نوآوری‌ها توسط مدیران و نیروهای امدادی سبب کاهش تاثیر مخرب سیل‌ها و صرفه‌جویی در هزینه‌ها می‌شود. پهپادهای مجهز به سنجنده‌های دقیق در کنار الگوریتم‌های پیشرفته بینایی ماشین و یادگیری عمیق می‌توانند به عنوان یک سکوی بالقوه برای فعالیت‌های نظارت، نقشه‌برداری، شناسایی و پهنه‌بندی سیلاب به صورتی کارآمد مورد استفاده قرار گیرند. در این مطالعه به منظور قطعه‌بندی معنایی تصاویر پهپادی با قدرت تفکیک مکانی بالا که پس از سیل از منطقه شهری اخذ شده‌اند، از معماری pyramid scene parsing network (pspnet) به عنوان یک شبکه نوین، به همراه resnest به عنوان رمزگذار استفاده شده‌است و در نهایت شبکه‌های مختلف با یکدیگر مقایسه شده‌اند. در این راستا، به جهت تفسیر بهتر و مطالعه قدرت، پایداری و عملکرد الگوریتم‌ها از روش monte-carlo dropout (mcd) جهت برآورد عدم قطعیت مدل‌ها نیز استفاده شده‌است. نتایج مقایسه روش‌های مختلف نشان داد که با افزایش تعداد پارامترهای مدل و پیچیدگی شبکه، عملکرد شبکه در حین آموزش تحت معیار iou تا 10% و در زمان آزمایش تا 3% بهبود پیدا کرده و قطعیت تصمیم‌گیری آن افزایش پیدا می‌کند. صحت (accuracy) قطعه‌بندی معنایی تصاویر 97.93% و معیار f1-score تقریبا 89% بوده‌است. 

flood detection in uav images using pspnet and uncertainty quantification with monte-carlo dropout technique

floods are one of the most frequent natural disasters that affect the society, impact human lives, and make costs for governments. utilizing new technologies helps managers and first responders to decrease the damaging effect of floods and save time. unmanned aerial vehicles equipped with accurate sensors along with powerful computer vision and deep learning techniques can act as potential platforms for surrveilance, mapping and detection of flooded regions. in this study, pspnet as the main architecture enhanced by resnest as the encoder, are utilized for semantic segmentation of very high resolution drone imagery acquired from urban flooded regions. furthermore, in order to interpret and study the performance of the method, monte-carlo dropout (mcd) technique is used as a bayesian estimator for uncertainty quantification of the results. comparing the results of our method with other models indicated that increasing the complexity and number of parameters of the model would increase its performance during training and testing by 10% and 3%, respectively, and the certainty of the models will increase in inference time. the accuracy of semantic segmentation is 97.93% and f1-score is about 89%.