BRIGHT：面向全天候灾害响应的全球分布式多模态建筑损伤评估数据集
计算机视觉与模式识别
2025-10-10 v4 人工智能
图像与视频处理
信号处理
摘要
灾害事件发生在全球各地，造成巨大的人员和财产损失。地球观测 (EO) 数据使能够快速且全面地进行建筑损伤评估 (BDA)，这是灾后重要的能力，有助于减少人员伤亡并为灾后救援提供信息。近期研究聚焦于开发 AI 模型以实现对未见灾害事件的准确映射，主要使用光学 EO 数据。然而，基于光学数据的方法仅限于晴朗天气和白天时段，阻碍了灾害的快速响应。将多模态 (MM) EO 数据，特别是光学和 SAR 图像的结合，使得能够提供全天候、全天候的灾害响应成为可能。尽管存在这种潜力，但，由于缺乏合适的基准数据集，开发稳健的多模态 AI 模型一直受到限制。本文提出了一个使用 veRy-hIGH-resoluTion 光学和 SAR 图像的 BDA 数据集 (BRIGHT)，以支持 AI 驱动的全天候灾害响应。据我们了解，BRIGHT 是第一个面向 AI 驱动灾害响应的开放获取、全球分布、事件多样化的 MM 数据集。它覆盖全球 14 个地区的五类自然灾害和两种人为灾害，特别关注那些需要外部援助的发展中国家。BRIGHT 中的光学和 SAR 图像空间分辨率在 0.3-1 米之间，提供了对单个建筑的详细表征，使其适用于精确的 BDA。在我们的实验中，我们使用 BRIGHT 测试了七个先进的 AI 模型，以验证其 transferability 和 robust性。数据集和代码均可在 https://github.com/ChenHongruixuan/BRIGHT 获取。BRIGHT 也是 2025 年 IEEE GRSS Data Fusion Contest 的官方数据集。
引用
@article{arxiv.2501.06019,
title = {BRIGHT: A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response},
author = {Hongruixuan Chen and Jian Song and Olivier Dietrich and Clifford Broni-Bediako and Weihao Xuan and Junjue Wang and Xinlei Shao and Yimin Wei and Junshi Xia and Cuiling Lan and Konrad Schindler and Naoto Yokoya},
journal= {arXiv preprint arXiv:2501.06019},
year = {2025}
}