利用自监督特征高效识别无人机航拍图像中的洪涝区域

识别受灾害影响的区域是有效管理和规划救援工作的重要步骤。与人工评估灾后损失的传统方法不同，分析无人机航拍图像提供了一种客观可靠的评估方式。过去，人们采用分割技术来识别无人机航拍图像中的洪涝后损失。然而，这些监督学习方法大多依赖于人工标注的数据集。实际上，图像标注是一项耗时且易出错的任务，需要领域专业知识。本文致力于利用自监督特征来准确识别无人机航拍图像中的洪涝区域。本文提出了两种基于编码器-解码器的分割方法，将DINOv2学习到的视觉特征与传统编码器骨干网络相结合。本研究探讨了自监督特征在无人机航拍图像上的泛化能力。具体来说，我们评估了在非航拍图像上训练的DINOv2模型的特征在航拍图像分割中的有效性，并注意到两种图像类型之间视角的差异。我们的结果表明，DINOv2在自然图像上的自监督预训练产生了可迁移的、通用的视觉特征，简化了航拍分割工作流程的开发。通过利用这些特征作为基础，我们显著减少了对劳动密集型人工标注过程的依赖，从而在有限的标注航拍数据下实现了高精度分割。