破坏识别的建筑结构洞察
计算机视觉与模式识别
2026-02-17 v1
摘要
快速准确地评估龙卷风发生后的建筑损坏情况对于协调抢救行动、优化紧急资源分配以及加快社区恢复至关重要。然而，当前的自动化方法在处理龙卷风引起的独特视觉复杂性方面困难重重，主要由于从标准预训练数据集迁移到实际灾害数据集的显著域迁移，以及现实灾害数据中的极端类别不平衡。为此，我们引入了一个系统性的实验框架，对评估 79 个开源深度学习模型（包括卷积神经网络 CNN 和视觉 Transformer）进行了在全新的四州龙卷风损害基准数据集 QSTD 上的超过 2300 次受控实验。我们的发现表明，实现操作级性能取决于架构与优化之间的复杂相互作用，而不仅仅是架构选择。最引人注目的是，我们证明优化器选择对 Vision Transformer 和 Swin Transformer 家族的 F1 分数提升可达 +25 到 +38 分，这从根本上反转了它们的排名，从底-tier 转变为与顶级 CNN 竞争。此外，学习率为 对所有架构的平均 F1 性能提升了 +10.2 分。我们的冠军模型 ConvNeXt-Base 在经过优化设置训练后，在保留时间和传感器域迁移的 held-out Tuscaloosa-Moore 龙卷风损害数据集 TMTD 上实现了 46.4% 的宏平均 F1 分数（比基线高出 +34.6 分），并在保持 85.5% 的有序 Top-1 准确率的同时实现了强大的跨事件泛化。
引用
@article{arxiv.2602.14523,
title = {Architectural Insights for Post-Tornado Damage Recognition},
author = {Robinson Umeike and Thang Dao and Shane Crawford and John van de Lindt and Blythe Johnston and Wanting and Wang and Trung Do and Ajibola Mofikoya and Sarbesh Banjara and Cuong Pham},
journal= {arXiv preprint arXiv:2602.14523},
year = {2026}
}