面向卫星图像自然灾害损毁评估的多步特征融合方法
计算机视觉与模式识别
2024-10-30 v1
摘要
自然灾害发生后，快速准确地评估建筑物的损毁状态对于开展针对性救援和后续恢复工作至关重要，这会对受灾者安全和灾后恢复成本产生重大影响。利用计算机视觉中机器学习方法的潜力，可以显著提升这一过程的质量。本文提出了一种新颖的损毁评估方法，该方法使用一种独创的多步特征融合网络，基于灾前和灾后的大尺度卫星图像对建筑物损毁状态进行分类。我们引入了一个新颖的卷积神经网络（CNN）模块，该模块在CNN网络的水平和垂直方向上，于多个网络层级之间对灾前和灾后图像进行特征融合。我们还提出了一个额外的网络元素——融合模块（Fuse Module），用以适配任何CNN模型来分析图像对，以解决成对分类问题。我们使用公开的大规模数据集（IDA-BD 和 xView2）验证了所提方法能够改进现有最先进的架构。我们报告称，Vision Transformer模型的准确率提升了超过3个百分点。
引用
@article{arxiv.2410.21901,
title = {Multi-step feature fusion for natural disaster damage assessment on satellite images},
author = {Mateusz Żarski and Jarosław Adam Miszczak},
journal= {arXiv preprint arXiv:2410.21901},
year = {2024}
}
备注
10 pages, for associated Github repository: https://github.com/MatZar01/EQ_vis