Building Damage Assessment After a Natural Disaster in Emergency Contexts: A Deep Learning Approach

Les catastrophes naturelles peuvent être extrêmement dévastatrices, autant sur le plan humain que matériel. Trop souvent, ces événements laissent derrière eux des communautés en situation précaires. Les organisations humanitaires agissent en première ligne: elles doivent intervenir le plus rapidement possible. Toutefois, opérer dans des zones dévastées peut est assurément difficile à coordoner et peut d'autant plus s'avérer dangereux pour les travailleurs de terrain. L'imagerie satellite offre une alternative à faible risque pour évaluer la situation sur le terrain avant d'y déployer des ressources. Cependant, les images satellites couvrent souvent de larges superficies et leur traitement manuel pour identifier les zones affectées tendent à générer de longs délais. Ainsi, dans ce projet, nous proponsons une approche basée sur l'apprentissage machine pour accélérer l'évaluation des dommages aux suites d'une catastrophe naturelle. Plus spécifiquement, nous avons conçu un système de réseaux convolutifs profonds pour la détection des bâtiments endommagés à partir d'images satellites qui utilisent des techniques de transfert d'apprentissage pour réduire le temps d'exécution. En résulte un système adapté pour les situation d'urgence.