xFBD：聚焦式建筑损毁数据集与分析
计算机视觉与模式识别
2023-02-20 v3
摘要
xView2 竞赛与 xBD 数据集推动了俯视建筑损毁检测的重大进展，但竞赛的像素级评分可能导致在建筑物密集簇集或上下文无信息的区域中解决方案性能下降。我们旨在通过提出一项针对原始 xView2 竞赛的辅助挑战，来推进面向灾害救援的自动建筑损毁评估。该新挑战包含一个新数据集与指标，用以指示在损毁比 xBD 中更局部和有限时解决方案的性能。我们的挑战衡量网络识别单体建筑及其损毁等级的能力，而不过度依赖建筑周边环境。在此挑战中表现优异的方法将比原始 xView2 方案提供更细粒度、更精确的损毁信息。性能最佳的 xView2 网络在我们新的有限/局部损毁检测任务中性能明显下降。观察到的常见失败原因是：(1) 建筑对象及其分类未良好分离，(2) 即便分离，其分类也强烈受到周围建筑及其他损毁上下文的偏置。因此，我们发布增强版数据集及附加的对象级评分指标（https://drive.google.com/drive/folders/1VuQZuAg6-Yo8r5J4OCx3ZRpa_fv9aaDX?usp=sharing），以测试建筑对象的独立性与可分离性，同时保留原始竞赛的像素级性能指标。我们还试验了新的基线模型，可改善建筑损毁预测的独立性与可分离性。我们的结果表明建筑损毁检测尚非已完全解决的问题，我们邀请他人使用并基于我们的数据集增强与指标进行构建。
引用
@article{arxiv.2212.13876,
title = {xFBD: Focused Building Damage Dataset and Analysis},
author = {Dennis Melamed and Cameron Johnson and Chen Zhao and Russell Blue and Philip Morrone and Anthony Hoogs and Brian Clipp},
journal= {arXiv preprint arXiv:2212.13876},
year = {2023}
}
备注
8 pages + 3-page supplemental, 8 figures