基于域适应的跨灾难环境下鲁棒建筑物损伤检测
计算机视觉与模式识别
2026-05-12 v2 人工智能
机器学习
摘要
从遥感影像中进行快速结构损伤评估是及时灾后响应的关键。在人机系统(HMS)中，自动化损伤检测为决策者提供可操作的情报。然而，训练于多灾难基准的数据集上的模型因域迁移——训练数据与部署数据之间的分布性不匹配——在未见地理区域表现下降，削弱了对自动化评估的人类信任。我们探索了使用监督域适应(SDA)进行建筑物损伤分类的两阶段集成方法。该管道将xView2第一名方法适配至Ida-BD数据集，并系统性地研究各数据增强组件对分类性能的影响。在未见Ida-BD测试子集上的全面消除实验表明，没有SDA将导致损伤检测完全失效。我们的管道采用SDA配合unsharp-enhanced RGB输入，实现了Macro-F1 0.5552的最佳鲁棒性能。这些结果凸显了域适应在构建可信赖的HMS集成灾后响应自动化评估模块中的关键作用。
引用
@article{arxiv.2603.14694,
title = {Robust Building Damage Detection in Cross-Disaster Settings Using Domain Adaptation},
author = {Asmae Mouradi and Shruti Kshirsagar},
journal= {arXiv preprint arXiv:2603.14694},
year = {2026}
}
备注
accepted for publication IEEE ICHMS