DeepDamageNet：用于卫星图像中多灾害建筑损伤分段与分类的两阶段深度学习模型
计算机视觉与模式识别
2024-05-09 v1 机器学习
摘要
卫星图像在灾后建筑损伤评估中发挥着日益重要的作用。然而，当前方法仍依赖于手动视觉解读，往往耗时且准确率很低。为克服手动解读的局限性，越来越多的研究致力于自动化处理。我们提出了一种解决方案，通过深度学习模型完成建筑损伤评估中最重要的两项任务：分段与分类。我们在 xView2 挑战中提交的结果，该挑战旨在设计更好的模型以识别建筑及其在不同自然灾害暴露后损伤程度。我们的最佳模型将建筑识别语义分割卷积神经网络（CNN）与建筑损伤分类 CNN 结合，组合 F1 分数达到 0.66，显著高于 xView2 挑战基线 F1 分数 0.28。我们发现，尽管模型能够以相对较高的准确率识别建筑，但由于不同损伤程度之间的视觉相似性以及不同灾害类型之间损伤分布的差异，建筑损伤分类仍是一个具有挑战性的任务，这表明可能需要对灾害损伤进行概率性先验估计才能获得准确的预测。
引用
@article{arxiv.2405.04800,
title = {DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery},
author = {Irene Alisjahbana and Jiawei Li and Ben and Strong and Yue Zhang},
journal= {arXiv preprint arXiv:2405.04800},
year = {2024}
}