Dataset per individuare edifici danneggiati dopo un disastro naturale

Immagini dal dataset xBD
Immagini dal dataset xBD corrispondenti a prima del disastro (sopra) e dopo il disastro (sotto). Da sinistra a destra: Tornado Joplin, eruzione del vulcano Kilauea e tsunami dello stretto di Sunda. Immagini di DigitalGlobe

Ricercatori del Department of Defense’s Defense Innovation Unit (DIU) presso la Carnegie Mellon University, assieme alla startup CrowdAI, hanno realizzato e pubblicato xBD, un grande dataset di immagini satellitari per individuare edifici danneggiati dopo un disastro naturale.

xBD contiene 22.068 immagini con 850.736 annotazioni di edifici che coprono 45.362 chilometri quadrati, con fotografie “prima e dopo” i danni. Il dataset, che è nato grazie alla competizione xView 2 del Dipartimento della Difesa USA, potrà essere utilizzato per addestrare sistemi AI da usare per la valutazione rapida dei danni in seguito a disastri naturali.

La ricerca si può scaricare qui (pdf).

Sono partner e fondatore di SNGLR Holding AG, un gruppo svizzero specializzato in tecnologie esponenziali con sedi in Europa, USA e UAE, dove curo i programmi inerenti l'intelligenza artificiale. Dopo la laurea in Management ho conseguito una specializzazione in Business Analytics a Wharton, una certificazione Artificial Intelligence Professional da IBM e una sul machine learning da Google Cloud. Sono socio fondatore del chapter italiano di Internet Society, membro dell’Associazione Italiana esperti in Infrastrutture Critiche (AIIC), della Association for the Advancement of Artificial Intelligence (AAAI), della Association for Computing Machinery (ACM) e dell’Associazione Italiana per l’Intelligenza Artificiale (AIxIA). Dal 2002 al 2005 ho servito il Governo Italiano come advisor del Ministro delle Comunicazioni sui temi di cyber security. Oggi partecipo ai lavori della European AI Alliance della Commissione Europea e a workshop tematici della European Defence Agency e del Joint Research Centre. Questo blog è personale.