xBD数据集包括了大约700,000个建筑物的受灾卫星图像，这些图像记录了建筑在经受八种不同类型的自然灾害之前和之后的信息，这些灾害包括地震、野火、洪水和火山爆发等。数据集覆盖的面积达到5000平方公里，包含印度和非洲的洪水，老挝和巴西的大坝坍塌以及加利福尼亚和希腊历史上的致命火灾。

据xBD联合作者CrowdAI机器学习主管Jigar Doshi向VentureBeat透露，该数据集将在未来几周内与Kaggle平台上的xView 2.0挑战赛一起发布，以深度发掘xBD数据观点。此前，xBD的数据采集工作参考了加州空军国民警卫队对野火造成的损害评估方法。

“这一过程为一系列灾难评估数据的挑选标准提供了指导，同时也有助于完善当前损害评估过程的不足之处。过去，每次灾难都是孤立对待的，人类分析师使用的数据处理流程在不同的灾难类型中不可重复或可重现。这种不可复制的数据对于机器学习算法来说是个难题，不同的灾害以不同的方式影响建筑物，建筑结构也因国家而异，因此评估中的确定性是确保机器学习算法能够学习有意义模式的必要条件”，报告中写道。

该工作组还发布了联合伤害量表，这是一个建筑物损坏评估量表，将建筑物损坏程度标记为“轻微损坏”，“重大损坏”或“被毁坏”，图像则来自DigitalGlobe的开放数据计划。

xBD是本周早些时候在计算机视觉和模式识别（CVPR）2019大会上展示的数十个项目之一，数字视觉全球挑战研讨会是主办方之一，该研讨会目前收到了来自15个国家的研究项目提案。

会议上提出的其他研究项目包括南非的空间种族隔离，智利的森林砍伐预防，基于卫星图像的贫困预测以及南极洲的企鹅群体分析。

除了对xBD的贡献之外，CrowdAI去年与Facebook AI合作开发了基于Santa Rosa fire和Hurricane Harvey卫星图像库的损伤评估方法系统。该项目是CVPR 2018 DeepGlobe卫星图像挑战的延续。

Facebook AI研究人员还利用卫星图像和计算机视觉识别建筑物，以创建全球人口密度图。该项目始于今年4月，基于联合国人道主义数据交换所主办的非洲地图。

今年的CVPR还有一个值得注意的项目：荷兰瓦赫宁根大学的研究人员介绍了基于卫星图像的野生动物侦测和周监测方法，该技术可应用于野生动物保护领域。