基于自监督学习的大规模 xBD 卫星影像基准数据集建筑物损毁评估
计算机视觉与模式识别
2022-06-30 v3 人工智能
摘要
在灾后评估领域，为灾后及时准确救援与定位，人们需知晓受损建筑位置。深度学习中，一些学者提出通过遥感影像自动高精度评估建筑损毁的方法，被证明比领域专家评估更高效。然而，因缺乏大量标注数据，此类任务难以准确评估，因深度学习模型效率高度依赖标注数据。尽管现有半监督与无监督研究已取得突破，但均未彻底解决该问题。因此，我们提出采用自监督对比学习方法，在无标注数据需求下处理该任务。我们构建了新颖非对称孪生网络架构，并在 xBD 数据集上测试其性能。我们模型的实验结果显示相较基线及常用方法的提升。我们也展示了自监督方法用于建筑损毁识别感知的潜力。
引用
@article{arxiv.2205.15688,
title = {Self-Supervised Learning for Building Damage Assessment from Large-scale xBD Satellite Imagery Benchmark Datasets},
author = {Zaishuo Xia and Zelin Li and Yanbing Bai and Jinze Yu and Bruno Adriano},
journal= {arXiv preprint arXiv:2205.15688},
year = {2022}
}
备注
14 pages, 7 figures, DEXA 2022