AB2CD：面向建筑气候损伤分类与检测的 AI 方法
计算机视觉与模式识别
2023-09-06 v1 人工智能
计算机与社会
图像与视频处理
地球物理
摘要
我们利用遥感数据，探索深度学习技术在自然灾害背景下精确建筑损伤评估中的实现。xBD 数据集包含来自全球的多样化灾害事件，作为主要关注对象，促进了深度学习模型的评估。我们应对了向新灾害和区域泛化的挑战，同时考虑了自然灾害数据中固有的低质量与噪声标签的影响。此外，我们的研究通过对称与非对称分辨率扰动分析定量确定，有效的建筑损伤检测所需的最小卫星影像分辨率为 3 米，而分类所需分辨率低于 1 米。为实现对建筑损伤检测与分类的鲁棒且准确的评估，我们使用残差、压缩激励和双路径网络骨干以及集成技术评估了不同的深度学习模型。总体而言，F-1 分数为 0.812 的 U-Net 孪生网络集成在 xView2 挑战基准上表现最佳。另外，我们评估了在所有灾害上训练的通用模型与洪水专家模型，并探究了跨事件的泛化差距，以及来自 Ahr 河谷野外数据的分布外表现。我们的研究结果展示了先进 AI 解决方案在增强气候变化引发的极端天气事件（如洪水和飓风）影响评估方面的潜力与局限。这些洞察对面对日益严峻气候挑战的灾害影响评估具有参考意义。
引用
@article{arxiv.2309.01066,
title = {AB2CD: AI for Building Climate Damage Classification and Detection},
author = {Maximilian Nitsche and S. Karthik Mukkavilli and Niklas Kühl and Thomas Brunschwiler},
journal= {arXiv preprint arXiv:2309.01066},
year = {2023}
}
备注
9 pages, 4 figures