我们提出了一种从 InSAR 图像中快速检测飓风后建筑损伤的方法，通过使用综合性因果贝叶斯网络对风、洪水、建筑损伤和 InSAR 图像的复杂因果依赖关系进行编码，并将 InSAR 图像的信息与洪水和风的先验物理模型相融合，无需地面真实标签，进一步共同推断大规模未观测到的建筑损伤。验证结果表明，相比传统的手动检查方法，我们的方法在迅速准确检测建筑损伤方面，大大减少了处理时间。

Oct, 2023

这篇研究论文介绍了首个专门用于从事件后的高分辨率合成孔径雷达和光学成像中检测地震受损建筑的数据集，利用开放卫星图像和标注后的土耳其 - 叙利亚地震数据，提供了 4000 多个建筑物的光学和合成孔径雷达的共配登记建筑物轮廓和图像片段的数据集，将受损建筑的检测任务视为二值图像分类问题，还可视为由于极端类别不平衡而进行的异常检测问题，提供了基线方法和结果以供对比参考，研究人员可以利用该数据集加速算法开发，促进对未来事件的快速受损建筑检测。

Dec, 2023

通过使用 xBD 数据集，本文报告了关于建筑损伤评估的问题框架、数据处理和训练程序的发现，这些程序有助于减少卫星图像分析师的劳动量，提高自动变更检测和灾害损害评估的效率。此外，发布了参与 xView2 比赛的源代码。

Apr, 2020

利用机器学习技术自动检测卫星图像中的建筑物损伤，提高灾后救援响应效率。

Oct, 2019

本文针对自然灾害后修复领域中建筑物损伤图像处理问题，借助自监督孪生网络，提出了一种无需大量标注数据的方案，并在 xBD 数据集上得到了相对于基础模型和常用方法更好的表现，验证了自监督学习在建筑损伤图像识别方面的潜力。

May, 2022

xBD 是一个大规模的数据集，包含多种自然灾害事件的卫星遥感图像、建筑物多边形、破坏程度标签、卫星元数据以及与火灾、水、烟雾等环境因素相关的边界框和标签，旨在协助人道主义援助和灾后恢复研究中的变化检测和建筑物损伤评估。

Nov, 2019

本文提出了一种高分辨率无人机图像数据集 FloodNet，用于帮助解决自然灾害后的损害评估问题，数据集提出了 “洪水下的损害” 这个问题，并对其进行了像素级的语义分割标注，提出一些深度学习算法用于解决这些挑战，并比较了该数据集上多个图像任务算法的性能表现。

Dec, 2020

RescueNet 是一个集成模型，采用了局部相关的二进制交叉熵损失函数来同时分割建筑和评估破坏水平，该模型可以进行端到端的训练，并获得比现有方法更好的性能，它可以在各种地理区域和灾难类型下实现通用。

Apr, 2020

通过使用深度学习技术来精确评估自然灾害中建筑损害，在利用遥感数据的背景下进行实现。我们探索使用来自全球各地的多样化灾难事件的 xBD 数据集作为主要焦点，以评估深度学习模型。我们解决了推广到新灾难和地区的挑战，同时考虑了自然灾害数据中固有的低质量和噪声标签的影响。此外，我们的研究定量地证明了对于有效的建筑损害检测，最低的卫星图像分辨率为 3 米，对于使用对称和非对称分辨率摄动分析的分类低于 1 米。为了实现对建筑损害检测和分类的稳健准确评估，我们评估了具有残差、压缩和激活以及双路径网络主干的不同深度学习模型，以及集成技术。总体而言，F-1 得分为 0.812 的 U-Net Siamese 网络集成在 xView2 挑战基准测试中表现最好。此外，我们还将对所有灾害进行训练的通用模型与洪水专家模型进行评估，并调查了在 Ahr Valley 的领域数据中的事件间通用性差距和分布。我们的研究发现展示了先进人工智能解决方案在增强气候变化引发的极端天气事件（如洪水和飓风）影响评估方面的潜力和局限性。这些见解对于在不断升级的气候挑战面前的灾害影响评估具有重要意义。

Sep, 2023

通过人机协作工作流程，利用高分辨率卫星图像快速训练建筑损伤评估模型，并在密西西比州滚动叉市的龙卷风事件中运用，取得了 0.86 的精确度和 0.80 的召回率，证明该工作流程对于实时部署具有潜力。

Jun, 2023