NIDA-CLIFGAN：通过结合对比学习、信息融合与生成对抗网络的高效自然基础设施损伤评估
机器学习
2025-08-05 v2
摘要
在自然灾害期间，飞机和卫星被用于勘测受影响区域。通常需要人类专家手动标注建筑损坏程度，以实现适当的人道主义援助与灾害响应（HADR），这既劳动密集又耗时。期望人工标注大范围重大灾害严重拖慢了 HADR 工作。因此，利用前沿人工智能与机器学习技术加速自然基础设施损伤评估过程以实现有效 HADR 具有关键意义。相应地，本文展示了实现高效建筑损坏分类的系统性努力。首先，设计了两种新颖的生成对抗网络（GAN）以增强用于训练基于深度学习的分类器的数据。其次，开发了一种基于对比学习并使用新颖数据结构的方法以取得优异性能。第三，通过信息融合，分类器以极少训练样本有效进行迁移学习训练。所有分类器均足够小，可载入智能手机或简易笔记本供一线响应者使用。基于可用的俯视影像数据集，结果表明数据与计算效率：结合 GAN 使用 10% 的采集数据，将计算时间从约半天减少到约 1 小时，且分类性能大致相似。
引用
@article{arxiv.2110.14518,
title = {NIDA-CLIFGAN: Natural Infrastructure Damage Assessment through Efficient Classification Combining Contrastive Learning, Information Fusion and Generative Adversarial Networks},
author = {Jie Wei and Zhigang Zhu and Erik Blasch and Bilal Abdulrahman and Billy Davila and Shuoxin Liu and Jed Magracia and Ling Fang},
journal= {arXiv preprint arXiv:2110.14518},
year = {2025}
}