基于双时相街景图像和预训练视觉模型的局部灾后损伤评估
计算机视觉与模式识别
2025-08-21 v1
摘要
街景图像在灾后损伤估计方面具有独特优势，能够从视觉角度捕捉影响，提供详细的现场见解。尽管已有多项研究尝试分析街景图像进行损伤估计，但主要关注灾后图像，双时相街景图像的潜力尚未得到充分探索。事前图像为准确的建筑和街道层面损伤估计提供了有价值的基准。这些图像可帮助标注员客观地标记灾后影响，从而提高标注数据集的可靠性，并 potentially 提升模型在损伤评估中的性能。本研究的目标是利用双时相街景图像和先进的预训练视觉模型进行局部灾后损伤评估。我们收集了2024年马里恩风暴（Hurricane Milton）在佛罗里达州 Horseshoe Beach 的事前和事后街景图像进行实验。研究目标包括：（1）评估在将事前街景图像作为无损伤类别纳入微调预训练模型（包括 Swin Transformer 和 ConvNeXt）以进行损伤等级分类方面的性能提升；（2）设计并评估一种双通道算法，用于读取配对的事前和事后街景图像进行局部损伤评估。结果表明，纳入事前街景图像并采用双通道处理框架可显著提升损伤评估准确率。Swin Transformer baseline 的准确率从 66.14% 提升至 77.11%（使用双通道 Feature-Fusion ConvNeXt 模型）。该研究实现了在局部空间分辨率下进行快速、操作性损伤评估，为灾害管理和韧性规划提供了宝贵的见解。
引用
@article{arxiv.2504.09066,
title = {Hyperlocal disaster damage assessment using bi-temporal street-view imagery and pre-trained vision models},
author = {Yifan Yang and Lei Zou and Bing Zhou and Daoyang Li and Binbin Lin and Joynal Abedin and Mingzheng Yang},
journal= {arXiv preprint arXiv:2504.09066},
year = {2025}
}
备注
27 pages,9 figures