冲突地区建筑损伤评估：基于亚米分辨率遥感数据的深度学习方法
计算机视觉与模式识别
2024-10-08 v1 机器学习
摘要
超高分辨率（VHR）遥感图像分析对于自然和人为灾害的人道主义援助至关重要，因为它可以快速识别最需要支持的关键区域。然而，手动检查大范围区域需要耗时且需要专业知识。鉴于深度神经网络（DNN）的准确性、泛化能力以及高度可并行化的工作负载，它们是自动化这一任务的绝佳方式。然而，针对冲突情境的VHR数据稀缺，导致针对此类场景下DNN有效性研究也不足。为此，我们广泛研究了将一系列最先进的卷积神经网络（CNN）原本用于自然灾害损伤评估应用于战争场景的可行性。为此，我们构建了一个包含乌克兰城市马里乌波尔事前及事后图像的标注数据集。随后，我们探讨了CNN模型在零样本和学习情境中的可迁移性，展示了其潜力与局限性。据我们了解，这是首次使用亚米分辨率图像评估战斗区的建筑损伤。
引用
@article{arxiv.2410.04802,
title = {Building Damage Assessment in Conflict Zones: A Deep Learning Approach Using Geospatial Sub-Meter Resolution Data},
author = {Matteo Risso and Alessia Goffi and Beatrice Alessandra Motetti and Alessio Burrello and Jean Baptiste Bove and Enrico Macii and Massimo Poncino and Daniele Jahier Pagliari and Giuseppe Maffeis},
journal= {arXiv preprint arXiv:2410.04802},
year = {2024}
}
备注
This paper has been accepted for publication in the Sixth IEEE International Conference on Image Processing Applications and Systems 2024 copyright IEEE