通过深度学习模型，在 xView2 挑战中取得了 0.66 的 F1 分数，超过 0.28 的挑战基准分数，发现不同损伤等级和不同灾害类型之间的视觉相似性和损害分布差异导致建筑物损伤分类是一项困难任务，可能需要具备关于灾害损害的概率先验估计，以获得准确的预测。

May, 2024

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

探索使用多视角图像和 AI 实现可靠的灾后建筑损伤分类方法，提出基于多视角卷积神经网络结构的损伤预测模型可以提高灾后建筑损伤等级的准确度和可靠性。

Aug, 2022

本研究提出了一个基于卷积神经网络可快速分割洪水淹没建筑的新方法，并结合多分辨率、多传感器、多时相卫星图像，本方法迅速生成卫星图像洪水地图，有助于应对洪水事件的早期响应；同时，通过结合多时相信息，本方法也能用于快速而精确的灾后伤害评估，并可帮助政府更好地协调中长期的财政援助计划。我们还将我们基于编码器 - 解码器结构的多流视频数据融合方法与其他现有研究进行了比较，并证明了它的性能更佳。此外，我们还发布了一个全面预处理和标记的多分辨率和多时相卫星图像灾害数据集以及我们的源代码。

Dec, 2018

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

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

利用远程传感器和机器学习，通过卫星图像对建筑物受损程度进行分类和定量化，并采用可解释的深度学习技术来找出对分类最有用的信息特征和最优的优化方法。同时，使用 Grad-CAM 技术观察影像中影响分类的特征区域。

Jan, 2022

本文研究了使用航拍视频高效评估自然灾害（如飓风、洪水或火灾）造成的建筑损坏问题。我们提出了一个包含用户生成的航拍视频的新数据集，使用实例级建筑损伤掩模进行注释，从而提供了首个定量评估使用航拍视频评估建筑损害模型的基准。同时我们提出了一种名为 MSNet 的新型区域提议网络设计和无监督得分校准网络用于置信度得分校准的模型，该模型在边框和掩模支路上均能得到最新颖的方法和最优的结果。我们将公开我们的数据集、模型和代码。

Jun, 2020

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

本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战，提出了一种新的级联多任务损失来保留语义分割边界。结果表明，不需要额外的后处理步骤，我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3％。

Sep, 2017