TornadoNet：基于有序监督的实时建筑物损伤检测
摘要
我们提出了 TornadoNet，这是一个综合性的基准，用于评估现代实时目标检测架构和有序感知监督策略在现实灾后条件下的表现。TornadoNet 提供了第一个受控基准，展示了架构设计和损失函数如何影响从街景图像中进行的多级损伤检测，为灾后响应提供了方法性见解和可部署工具。使用 3,333 张高分辨率带经纬度信息的图像和 8,890 条标注的建筑实例来自 2021 年中美洲龙卷风事件，我们系统比较了来自 YOLO 系列的基于卷积神经网络的检测器与基于 Transformer 的模型（RT-DETR）用于多级损伤检测。在标准化的训练协议下使用基于 IN-CORE 损伤状态的五级损伤分类框架进行训练，通过专家交叉标注进行验证。基线实验揭示了不同架构的互补优势。基于卷积神经网络的 YOLO 模型实现了最高的检测准确率和吞吐量，较大变体在 A100 GPU 上可达 46.05% [email protected]，FPS 为 66-276。Transformer 基于 RT-DETR 的模型表现出更强的有序一致性，实现 88.13% 的有序 Top-1 准确率和 MAOE 为 0.65，表明尽管基线 mAP 较低，但在损伤严重程度分级方面更可靠。为将监督信号与损伤严重程度的有序性相匹配，我们引入了软有序分类目标并评估了显式有序距离惩罚。使用校准化有序监督训练的 RT-DETR 实现 44.70% [email protected]，提高了 4.8 个百分点，在有序指标方面表现提升（91.15% 的有序 Top-1 准确率，MAOE = 0.56）。这些发现表明，与检测器架构一致的有序感知监督可提高损伤严重程度估计。模型与数据：https://github.com/crumeike/TornadoNet
引用
@article{arxiv.2603.11557,
title = {TornadoNet: Real-Time Building Damage Detection with Ordinal Supervision},
author = {Robinson Umeike and Cuong Pham and Ryan Hausen and Thang Dao and Shane Crawford and Tanya Brown-Giammanco and Gerard Lemson and John van de Lindt and Blythe Johnston and Arik Mitschang and Trung Do},
journal= {arXiv preprint arXiv:2603.11557},
year = {2026}
}