基于视觉基础模型的灾后损伤评估：通过变化检测实现泛化

自然灾害的发生频率和强度不断增加，亟需快速且准确的损伤评估。为此，已构建了基于高分辨率卫星图像的灾害基准数据集，以开发损伤区域检测方法。然而，这些方法在应用于先前未见的地区时面临挑战，因为现有数据集的地理范围和灾害类型多样性有限。我们引入了 DAI (Disaster Assessment with VIsion foundation model)，一种新颖的方法，通过变化检测解决领域差异问题，并在不依赖目标区域真实标签的情况下对建筑结构损伤进行检测。DAI 将在源区域训练的模型所具备的任务特定知识与图像分割模型所具备的任务无关知识相结合，以生成指示目标区域潜在损伤的伪标签。随后，它采用在像素和图像水平上 operate 的两阶段细化过程，以准确识别灾害发生区域的变化。我们的评估包括对2023年土耳其地震的案例研究，展示了该模型在多样化地形（如北美、亚洲和中东）和灾害类型（如野火、飓风和海啸）上的卓越性能。这确认了其在无需依赖真实标签的情况下的灾后评估鲁健性，并突显了其实际应用价值。