.png){kind=icon}
返回
Intelligent Flood Scene Understanding Using Computer Vision-Based Multi-Object Tracking
.png){kind=icon}
OA
AI
DOI：10.3390/w17142111.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
理解洪水场景对于有效的灾害响应至关重要。先前的研究主要关注基于计算机视觉的方法来分析洪水场景，利用其快速、准确地覆盖受灾区域的能力。然而，现有的大多数方法强调静态图像分析，而对动态视频分析的重视有限。与基于图像的方法相比，洪水场景中的视频分析具有显著优势，包括实时监控、流量估计、目标跟踪、变化检测和行为识别。为解决这一差距，本研究提出了一种基于计算机视觉的多目标跟踪（MOT）框架，用于智能洪水场景理解。所提出的方法集成了一个基于光流的模块，用于短期未检测到目标的掩码估计，以及一个深度重识别（ReID）模块来处理长期遮挡。实验结果表明，所提出的方法在关键指标上达到了最先进性能，HOTA为69.57%，DetA为67.32%，AssA为73.21%，IDF1为89.82%。实地测试进一步证实了其改进的准确性、鲁棒性和泛化能力。本研究不仅解决了关键实践挑战，还提供了方法论见解，支持智能技术在灾害响应和人道主义援助中的应用。
Keyword:
flood scene understanding
multi-object tracking
optical flow
deep re-identification
disaster response
期刊
W
IF:
3
论文数:
3.2W
被引数:
7.4W
机构
暂无机构信息
引用论文
分享收藏Automatic segmentation of urban flood extent in video image with DSS-YOLOv8n.png)
JOURNAL OF HYDROLOGY
JOURNAL OF HYDROLOGYIF6.3
PREAI
分享收藏FloodNet: A High Resolution Aerial Imagery Dataset for Post Flood Scene UnderstandingFloodNet: 用于洪水后场景理解的高分辨率航空图像数据集IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A new multi-source remote sensing image sample dataset with high resolution for flood area extraction: GF-FloodNet用于洪水区域提取的高分辨率多源遥感图像样本数据集: gf-floodnetOAAI
OAAI分享收藏
查看更多内容