基于微调基础视觉模型的后灾害桩石分割
计算机视觉与模式识别
2025-08-20 v2
摘要
及时且准确地检测灾害后桩石对于有效的灾后响应和社区韧性至关重要。虽然灾后航空图像易于获取，但面向多个灾害地区的鲁棒桩石分割解决方案仍有限。由于不同地区的环境和成像条件会改变桩石的视觉特征，进而导致训练数据稀缺，开发通用解决方案具有挑战。本研究通过对预训练的基础视觉模型进行微调，实现了鲁棒的性能，仅需相对较小的高质量数据集。具体而言，本工作引入了一个开源数据集，包含约 1,200 张来自飓风伊恩、艾达和艾克的手动标注航空 RGB 图像。为缓解人类偏见并提高数据质量，我们战略性地聚合来自多个标注者的标签，并采用视觉提示工程。得到的微调模型命名为 fCLIPSeg，在完全排除训练数据的飓风艾达数据上达到 Dice 分数 0.70，且在无桩石区域几乎没有误报。这项工作提出了首个仅需标准 RGB 图像即可部署的事件无关型桩石分割模型，非常适用于快速大规模灾后影响评估和恢复规划。
关键词
引用
@article{arxiv.2504.12542,
title = {Post-Hurricane Debris Segmentation Using Fine-Tuned Foundational Vision Models},
author = {Kooshan Amini and Yuhao Liu and Jamie Ellen Padgett and Guha Balakrishnan and Ashok Veeraraghavan},
journal= {arXiv preprint arXiv:2504.12542},
year = {2025}
}
备注
12 pages, 8 figures