用于可靠灾后损伤分类的多视图深度学习
计算机视觉与模式识别
2022-08-26 v1 人工智能
摘要
本研究旨在利用人工智能（AI）与多视图影像实现更可靠的自动化灾后建筑损伤分类。当前采用 AI 进行灾后损伤评估的实践与研究努力普遍（a）定性，缺乏基于标准损伤等级的精细建筑损伤分类，且（b）基于视角有限的航空或卫星影像训练，此类影像虽有指示性，但未能完整描述损伤规模。为实现更准确可靠的损伤等级自动化量化，本研究提出使用更全面的视觉数据，即建筑的多重地面与航空视图。为构建此类空间感知的损伤预测模型，采用多视图卷积神经网络（MV-CNN）架构，该架构融合受损建筑不同视图的信息。这种空间三维上下文损伤信息将带来更准确的损伤识别与可靠的损伤等级量化。所提模型在飓风 Harvey 后包含专家标注、带地理标签的受检建筑侦察视觉数据集上训练与验证。所开发模型在预测损伤等级方面展现出相当良好的精度，可用于支撑更具信息性与可靠性的 AI 辅助灾害管理实践。
引用
@article{arxiv.2208.03419,
title = {Multi-view deep learning for reliable post-disaster damage classification},
author = {Asim Bashir Khajwal and Chih-Shen Cheng and Arash Noshadravan},
journal= {arXiv preprint arXiv:2208.03419},
year = {2022}
}
备注
13th International Workshop on Structural Health Monitoring (IWSHM 2021)