面向地球观测卫星的基于潜在表示的建筑物损伤评估优化

自然灾害或战区后快速识别受损建筑物对于支持紧急响应并优先安排干预至关重要。地球观测星座提供及时、大规模的覆盖，但可操作信息常常因数据下链限制、地面处理和人工解读而延迟。降低此延迟对于提高决策响应速度至关重要。本工作提出一种原创的人工智能系统，使其能够直接从卫星 onboard 对 pre-disaster 和 post-disaster 高分辨率光学影像进行建筑物损伤评估（包括定位和损伤分类）。可用的事前灾前图像在地面编码为紧凑的潜在表示，传输到卫星 onboard 与新获取的事后观察进行比较。利用人工智能解读能力以及 onboard 卫星上不断增强的处理能力，该设计使处理直接在数据源处进行，减少需下链的信息量，同时保留任务相关内容并提高整个系统的响应速度。我们通过系统性基准测试 onboard 兼容变体，分析了双胞胎处理、交叉注意力、潜在空间压缩以及面向鲁棒性的数据增强的影响。在 xBD 数据集上实验表明，该方法在错位情况下可靠且稳健地进行损伤评估，在强压缩下性能几乎不受影响。