MCANet：一种基于多尺度类特定注意力网络的多标签飓风后损害评估方法（使用无人机图像）
计算机视觉与模式识别
2025-09-08 v1 人工智能
摘要
快速准确的飓风后损害评估对于灾害响应与恢复至关重要。然而，现有的基于 CNN 的方法难以捕捉多尺度空间特征，也难以区分视觉上相似或同时发生的损害类型。为了解决这些问题，我们提出了 MCANet，这是一个多标签分类框架，能够学习多尺度表示并自适应地关注与每种损害类别在空间上相关的区域。MCANet 采用基于 Res2Net 的分层骨干网络来丰富跨尺度的空间上下文，并使用多头类特定残差注意力模块来增强判别能力。每个注意力分支专注于不同的空间粒度，在局部细节与全局上下文之间取得平衡。我们在飓风 Michael 后收集的包含 4,494 张无人机图像的 RescueNet 数据集上对 MCANet 进行了评估。MCANet 实现了 91.75% 的平均精度均值（mAP），优于 ResNet、Res2Net、VGG、MobileNet、EfficientNet 和 ViT。在拥有八个注意力头的情况下，性能进一步提升至 92.35%，将 Road Blocked 等具有挑战性类别的平均精度提高了 6% 以上。类激活映射证实了 MCANet 定位损害相关区域的能力，支持了可解释性。MCANet 的输出可为灾后风险制图、应急路线规划以及基于数字孪生的灾害响应提供信息。未来的工作可以整合特定灾害的知识图谱和多模态大语言模型，以提高对未见灾害的适应性，并丰富面向真实世界决策的语义理解。
引用
@article{arxiv.2509.04757,
title = {MCANet: A Multi-Scale Class-Specific Attention Network for Multi-Label Post-Hurricane Damage Assessment using UAV Imagery},
author = {Zhangding Liu and Neda Mohammadi and John E. Taylor},
journal= {arXiv preprint arXiv:2509.04757},
year = {2025}
}
备注
34 pages, 7 figures