改进的 MambaBDA 框架用于跨灾难域的稳健建筑损伤评估
计算机视觉与模式识别
2026-03-05 v2
摘要
可靠的灾后建筑损伤评估（BDA）由于严重的类别不平衡、背景杂乱以及不同灾难类型和地理位置之间的域迁移问题，仍受到阻碍。本文旨在解决这些问题，并探索改进 MambaBDA 方法的途径。MambaBDA 是 ChangeMamba 架构中最成功的 BDA 模型之一。该方法通过三模块组件增强 MambaBDA：（i）使用 Focal Loss 缓解建筑损伤分类中的类别不平衡问题；（ii）采用轻量级注意力门来抑制无关背景；（iii）引入紧凑对齐模块，在解码前将前事件特征空间错位到后事件内容中。我们在多个卫星影像数据集上进行实验，包括 xBD、巴基斯坦洪水、土耳其地震和 Ida 风暴，并进行域内和跨数据集测试。所提出的模块化增强相对于基线模型 consistently 带来 0.8% 至 5% 的性能提升（域内），并在未见灾难上实现最高 27% 的提升。这表明所提出的增强措施在系统的泛化能力方面尤为有益。
引用
@article{arxiv.2603.01116,
title = {Improved MambdaBDA Framework for Robust Building Damage Assessment Across Disaster Domains},
author = {Alp Eren Gençoğlu and Hazım Kemal Ekenel},
journal= {arXiv preprint arXiv:2603.01116},
year = {2026}
}
备注
Preprint. Accepted at VISAPP 2026