BDANet：用于卫星图像建筑物损伤评估的跨方向注意力多尺度卷积神经网络
计算机视觉与模式识别
2022-02-16 v1 机器学习
图像与视频处理
摘要
当自然灾害（如地震、飓风等）发生时，需要快速而有效的响应。在部署救援行动前，基于卫星图像的建筑物损伤评估至关重要。给定灾前与灾后卫星图像对，建筑物损伤评估旨在预测建筑物的受损程度。凭借强大的特征表示能力，深度神经网络已成功应用于建筑物损伤评估。现有多数工作简单地将灾前与灾后图像拼接作为深度神经网络的输入，而未考虑其相关性。本文提出一种用于建筑物损伤评估的新型两阶段卷积神经网络，称为 BDANet。第一阶段使用 U-Net 提取建筑物位置，随后第一阶段的网络权重在第二阶段共享用于建筑物损伤评估。第二阶段采用双分支多尺度 U-Net 作为主干，将灾前与灾后图像分别输入网络。提出一种跨方向注意力模块以探索灾前与灾后图像间的相关性。此外，利用 CutMix 数据增强应对困难类别的挑战。所提方法在大规模数据集 xBD 上取得了最先进的性能。代码见 https://github.com/ShaneShen/BDANet-Building-Damage-Assessment。
引用
@article{arxiv.2105.07364,
title = {BDANet: Multiscale Convolutional Neural Network with Cross-directional Attention for Building Damage Assessment from Satellite Images},
author = {Yu Shen and Sijie Zhu and Taojiannan Yang and Chen Chen and Delu Pan and Jianyu Chen and Liang Xiao and Qian Du},
journal= {arXiv preprint arXiv:2105.07364},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2010.14014