基于超像素与深度神经网络的震后影像建筑物损伤检测
计算机视觉与模式识别
2025-01-22 v5 图像与视频处理
摘要
地震等自然灾害后的建筑物损伤检测对于启动有效的应急响应行动至关重要。遥感甚高空间分辨率（VHR）影像因其能以高几何精度绘制受灾建筑物的能力，可提供关键信息。然而，我们在检测地震造成的受损建筑物方面性能欠佳。本文提出一种新颖的基于超像素的方法，将深度神经网络（DNN）与改进的分割方法相结合，以从VHR影像中更精确地检测建筑物损伤。首先，扩展了一种改进的快速扫描与自适应合并方法以生成初始过分割。其次，基于区域邻接图（RAG）对分割块进行适当合并。第三，提出一种使用堆叠式降噪自编码器预训练的DNN（SDAE-DNN），以利用丰富的语义特征进行建筑物损伤检测。在2015年尼泊尔地震WorldView-2影像上的实验结果证明了我们方法的可行性与有效性，该方法通过学习更具本质性和判别性的特征来提升检测精度，优于使用其他分类器的方法。
引用
@article{arxiv.2112.04744,
title = {Superpixel-Based Building Damage Detection from Post-earthquake Imagery Using Deep Neural Networks},
author = {Jun Wang},
journal= {arXiv preprint arXiv:2112.04744},
year = {2025}
}