Red Hot Cyber
La cybersecurity è condivisione. Riconosci il rischio, combattilo, condividi le tue esperienze ed incentiva gli altri a fare meglio di te.
Redazione RHC : 2 Agosto 2021 09:33
Una registrazione accurata dell’impronta degli edifici è importante per una vasta gamma di applicazioni, dalla stima della popolazione e dalla pianificazione urbana alla risposta umanitaria e alle scienze ambientali.
Dopo un disastro, come un’inondazione o un terremoto, le autorità devono stimare quante famiglie sono state colpite. Idealmente ci sarebbero informazioni aggiornate sul censimento, ma in pratica tali registrazioni potrebbero essere obsolete o non disponibili. Invece, i dati sull’ubicazione e la densità degli edifici possono essere una preziosa fonte alternativa di informazioni.
Iscriviti GRATIS ai WorkShop Hands-On della RHC Conference 2025 (Giovedì 8 maggio 2025)
Il giorno giovedì 8 maggio 2025 presso il teatro Italia di Roma (a due passi dalla stazione termini e dalla metro B di Piazza Bologna), si terranno i workshop "hands-on", creati per far avvicinare i ragazzi (o persone di qualsiasi età) alla sicurezza informatica e alla tecnologia. Questo anno i workshop saranno:
Supporta RHC attraverso:
Ti piacciono gli articoli di Red Hot Cyber? Non aspettare oltre, iscriviti alla newsletter settimanale per non perdere nessun articolo.
Un buon modo per raccogliere tali dati è attraverso le immagini satellitari, che possono mappare la distribuzione degli edifici in tutto il mondo, in particolare in aree isolate o di difficile accesso.
Tuttavia, rilevare edifici con metodi di visione artificiale in alcuni ambienti può essere un compito impegnativo. Poiché l’imaging satellitare consiste nel fotografare la terra da diverse centinaia di chilometri dal suolo, anche ad alta risoluzione (30-50 cm per pixel), un piccolo edificio o un rifugio in tenda occupa solo pochi pixel. Il compito è ancora più difficile per gli insediamenti informali, o le aree rurali dove gli edifici costruiti con materiali naturali possono fondersi visivamente con l’ambiente circostante.
Esistono anche molti tipi di elementi naturali e artificiali che possono essere facilmente confusi con gli edifici nelle immagini dall’alto.
Oggetti che possono confondere i modelli di visione artificiale per l’identificazione di edifici
Google ha addestrato il modello a rilevare gli edifici dal basso verso l’alto, prima classificando ogni pixel come edificio o non edificio, quindi raggruppando questi pixel in singole istanze. La pipeline di rilevamento si basava sul modello U-Net, comunemente utilizzato nell’analisi delle immagini satellitari.
Un vantaggio di U-Net è che è un’architettura relativamente compatta e quindi può essere applicata a grandi quantità di dati di imaging senza un pesante carico di calcolo. Questo è fondamentale, perché il compito finale di applicarlo alle immagini satellitari su scala continentale significa eseguire il modello su molti miliardi di tessere di immagini.
Esempio di segmentazione di edifici nelle immagini satellitari.
Gli esperimenti iniziali con il modello base avevano scarsa precisione, ad esempio a causa della varietà di elementi naturali e artificiali con aspetto simile a un edificio.
Abbiamo trovato una serie di metodi che hanno migliorato le prestazioni. Uno era l’uso del mixup come metodo di regolarizzazione, in cui le immagini di allenamento casuali vengono mescolate insieme prendendo una media ponderata.
Sebbene il mixup fosse stato originariamente proposto per la classificazione delle immagini, l’abbiamo modificato per essere utilizzato per la segmentazione semantica. La regolarizzazione è importante in generale per questo compito di segmentazione dell’edificio, perché anche con immagini di allenamento da 100k, i dati di allenamento non catturano la variazione completa del terreno, delle condizioni atmosferiche e di illuminazione con cui viene presentato il modello al momento del test, e quindi c’è un tendenza al sovradattamento.
Un altro metodo che abbiamo trovato efficace è stato l’uso dell’autoformazione senza supervisione. Abbiamo preparato una serie di 100 milioni di immagini satellitari da tutta l’Africa e le abbiamo filtrate in un sottoinsieme di 8,7 milioni di immagini che contenevano principalmente edifici.
Questo set di dati è stato utilizzato per l’autoapprendimento utilizzando il metodo Noisy Student , in cui l’output del miglior modello di rilevamento dell’edificio della fase precedente viene utilizzato come “insegnante” per poi formare un modello “studente” che effettua previsioni simili da immagini aumentate.
In pratica, abbiamo scoperto che questo riduceva i falsi positivi e migliorava l’output di rilevamento.
Fonte ed articolo completo
https://ai.googleblog.com/2021/07/mapping-africas-buildings-with.html
RedazioneCloudflare afferma di aver prevenuto un numero record di attacchi DDoS da record nel 2024. Il numero di incidenti è aumentato del 358% rispetto all’anno precedente e del 198% ris...
Il gigante delle telecomunicazioni sudcoreano SK Telecom ha sospeso le sottoscrizioni di nuovi abbonati in tutto il paese, concentrandosi sulla sostituzione delle schede SIM di 25 milioni di...
“La protezione dei diritti di bambini e adolescenti rappresenta una priorità per la Polizia di Stato e richiede un’attenta valutazione delle minacce emergenti, l’impiego di t...
Nel vasto arsenale del cybercrimine, una categoria di malware continua ad evolversi con una velocità e una precisione quasi industriale: gli information stealer. Questi strumenti, nati inizialmen...
Sabato 3 maggio, un post pubblicato su un canale Telegram legato al gruppo “Mr Hamza” ha rivendicato un cyberattacco ai danni del Ministero della Difesa italiano. Il messaggio, scritto i...
Copyright @ REDHOTCYBER Srl
PIVA 17898011006
