DamageCAT：面向灾后建筑损伤分类的深度学习变换框架
计算机视觉与模式识别
2025-08-12 v2
摘要
快速、准确且具描述性的建筑损伤评估对于指导灾后资源分配至关重要，但当前自动化方法通常仅提供二元（受损/未受损）或有序严重程度尺度。本文引入 DamageCAT 框架，通过基于灾后建筑损伤类型（typology-based）的分类范式推进损伤评估。我们贡献了：（1）包含来自飘风 Ida 事件的卫星图像三元组的 BD-TypoSAT 数据集，其中包含四类损伤：部分屋顶损伤、完全屋顶损伤、部分结构坍塌和完全结构坍塌；（2）用于处理前后灾前灾后图像对的分层 U-Net 变换架构。本模型在整体上实现了 0.737 的 IoU 和 0.846 的 F1 分数，并通过跨事件评估表明在飘风 Harvey、Florence 和 Michael 数据上的可迁移性。尽管由于类别不平衡，各损伤类别的性能存在差异，但该框架表明，基于灾后建筑损伤类型的分类可以提供比传统基于严重程度的方法更具操作性的损伤评估，从而实现针对性的紧急响应和资源分配。
关键词
引用
@article{arxiv.2504.11637,
title = {DamageCAT: A Deep Learning Transformer Framework for Typology-Based Post-Disaster Building Damage Categorization},
author = {Yiming Xiao and Ali Mostafavi},
journal= {arXiv preprint arXiv:2504.11637},
year = {2025}
}
备注
26 pages, 13 figures