Flood-DamageSense：基于SAR遥感影像的多模态Mamba多任务学习建筑洪水损伤评估
计算机视觉与模式识别
2026-04-28 v1 机器学习
图像与视频处理
摘要
大多数灾后损伤分类器仅在破坏力留下明确光谱或结构特征时才成功——这种情况在淹没后几乎不存在。因此，现有模型在识别与洪水相关的建筑损伤方面表现不佳。本研究提出的Flood-DamageSense模型致力于填补这一空白，作为首个专为建筑级洪水损伤评估而设计的深度学习框架。该架构融合了前后事件SAR/InSAR场景与高分辨率光学底图，内置洪水风险图层，该图层编码长期暴露概率，引导网络聚焦于可能受影响的结构，即使组成变化最小。多模态Mamba主干网络配合半对称编码器和任务特定解码器，联合预测(1)分级建筑损伤状态、(2)洪水水位范围、(3)建筑轮廓。在得斯堡县, Texas 2017 年哈里斯县的飓风席浪影像上进行训练和评估——以保险派生的财产损伤范围为支持——显示出最先进基准方法可达19个百分点的平均F1分数提升，尤其在常被误分类的"轻度"和"中度"损伤类别中提升最大。消融研究确定内在风险特征是此性能提升最主要的贡献者。端到端后处理管道可在影像获取后几分钟内将像素级输出转换为可操作的建筑级损伤图。通过将风险感知建模与SAR的全天候能力相结合，Flood-DamageSense为支持灾后决策和资源分配提供更快、更细致、更可靠的洪水损伤情报。
引用
@article{arxiv.2506.06667,
title = {Flood-DamageSense: Multimodal Mamba with Multitask Learning for Building Flood Damage Assessment using SAR Remote Sensing Imagery},
author = {Yu-Hsuan Ho and Ali Mostafavi},
journal= {arXiv preprint arXiv:2506.06667},
year = {2026}
}