Студент третьего курса НИТУ «МИСиС» Даниил Степанов в составе команды Moscow Hares одержал победу в международном соревновании «STAC Overflow: Map Floodwater from Radar Imagery», направленного на создание алгоритмов машинного обучения для распознавания паводковых вод на изображениях со спутника. Разработанный командой алгоритм поможет эффективно использовать данные для повышения готовности к стихийным бедствиям и точности оценки рисков, а также ускорить оказание помощи при возникновении чрезвычайных ситуаций.
Наводнения — наиболее частое и дорогостоящее стихийное бедствие в мире. По данным Всемирной организации здравоохранения, в период с 1998 по 2017 год от наводнений пострадало более двух миллиардов человек во всем мире.
В соревновании «STAC Overflow: Map Floodwater from Radar Imagery», проводимом компаниями DrivenData и Microsoft,в 2021 году приняли участие более 660 конкурсантов, которые предложили решения для повышения эффективности управления рисками возникновения стихийных бедствий за счет оснащения групп реагирования наиболее точными и актуальными картами наводнений. Общий призовой фонд составил 20 тысяч долларов.
Участники команды-победителя Moscow Hares — студент третьего курса НИТУ «МИСиС» Даниил Степанов и студентка второго курса РЭУ им. Г.В. Плеханова Анна Беляева.
Уникальность разработки заключается в совмещении классического подхода к сегментации изображений (метод выделения объектов и границ), использующего нейросети, и подхода с попиксельной классификацией, придуманного ребятами конкретно для этой задачи.
«Данный метод заключается в том, чтобы превратить каждый канал изображения из двумерной матрицы в одномерную. На выходе мы получаем таблицу, где каждому пикселю соответсвуют три значения, по которым при помощи модели машинного обучения предсказывается вероятность того, что участок заводнен. Далее два подхода объединяются путем выбора максимальной вероятности заводенности для каждого пикселя. Таким образом, удается избежать ситуации, когда один из методов не находит какую-то заводненную зону, а другой находит», — пояснил капитан команды-победителя Даниил Степанов.
По-отдельности ни один из этих подходов не позволяет добиться максимальной точности в определении места наводнения по спутниковым снимкам, и именно решение их объединить позволило ребятам занять первое место.
«Всем, кто занимается Data Science, важно помнить: если вы способны придумать решение, которое не требует больших вычислительных мощностей, но способно давать отличный результат, это по-настоящему ценно», — отметил Даниил Степанов.
Лучшие подходы, предложенные победителями конкурса, будут применяться в проекте созданию алгоритмов машинного обучения для распознавания паводковых вод на изображениях со спутника, реализуемом DrivenData Labs. На данный момент организаторы предложили участникам возможность пройти собеседование в команду DrivenData.
