Study of a semantic segmentation algorithm for disaster assessment in an edge computing environment

A natural disaster refers to any catastrophic event that causes significant loss of life or extensive damage to nature and infrastructure. Disasters such as earthquakes, floods, and wildfires create chaotic environments where rapid and precise damage assessments are critical for effective emergency response and recovery. Traditional methods, which rely heavily on manual interpretation and analysis of satellite imagery, often fail due to delayed results, high costs, and a high risk of human error. In this context, the integration of deep learning networks with edge computing emerges as a promising and modern solution, enabling real-time, automated analysis on resource-constrained devices like drones and Internet-of-Things (IoT) sensors. This thesis addresses these challenges by introducing a new semantic segmentation algorithm, designed to address fair accuracy with low computational effort. The model is inspired by the YOLOv11 object detection framework, which provides high flexibility and scalability and introduces several modules for object identification. The proposed network, named U-YOLO, retains YOLOv11’s impressive inference speed while significantly reducing computational requirements, refining its structure to make it suitable for semantic segmentation tasks. The dataset employed for the evaluation is the RescueNet dataset, a high-resolution set of pictures collected by drones (UAV), which comprises 4,494 images captured at Mexico Beach in the aftermath of Hurricane Michael. Extensive experimental evaluations are performed, in order to compare U-YOLO against state-of-the-art segmentation models, including Attention U-Net and Segmenter, a transformer-based pixel-wise classification model. The results demonstrate that U-YOLO achieves competitive segmentation accuracy while requiring substantially fewer parameters and lower computational resources. Furthermore, comprehensive ablation studies allow to assess the trade-offs between segmentation precision and computational efficiency, highlighting the challenges of accurately delineating complex patterns and small-scale objects in disaster scenarios.

Le catastrofi naturali sono tragici eventi che causano un elevato numero di vittime e ingenti danni all’ambiente e alle infrastrutture. Terremoti, alluvioni e incendi generano scenari di devastazione in cui una valutazione rapida e precisa dei danni è essenziale per una risposta efficace alle emergenze e per il successivo processo di recupero e ricostruzione. In questo contesto, l’integrazione delle reti di Deep Learning con approcci di Edge Computing si rivela una soluzione particolarmente promettente. Questa sinergia consente di effettuare analisi automatizzate in tempo reale direttamente su dispositivi a risorse limitate, come droni e sensori IoT, garantendo così una risposta più tempestiva ed efficiente. La tesi affronta queste sfide introducendo un nuovo algoritmo di semantic segmentation, progettato per bilanciare accuratezza e requisiti computazionali. Il modello proposto trae ispirazione dal framework di object detection YOLOv11, noto per la sua flessibilità, l’elevata velocità di inferenza e le basse esigenze computazionali. Il network sviluppato, denominato U-YOLO, mantiene la rapidità di YOLOv11, ma ne modifica la struttura per adattarla alla segmentazione semantica, riducendo al contempo il numero di parametri e il consumo di risorse. Per valutare le performance ottenibili, è stato utilizzato il dataset RescueNet, composto da 4.494 immagini ad alta risoluzione raccolte tramite droni UAV a Mexico Beach, in seguito all’uragano Michael. U-YOLO è stato testato e confrontato con modelli di segmentazione all’avanguardia, come Attention U-Net e Segmenter, considerati lo stato dell’arte sul dataset proposto. I risultati evidenziano come U-YOLO riesca a ottenere un’accuratezza di classificazione competitiva, pur richiedendo un numero significativamente inferiore di parametri e risorse computazionali. Infine, verranno presentati studi di ablazione approfonditi per analizzare il compromesso tra precisione della segmentazione ed efficienza computazionale. In particolare, verranno evidenziate le sfide nella delineazione accurata di pattern complessi e oggetti di piccole dimensioni in scenari di disastro.