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

本文旨在提供一种标准化的方法，以便从飓风灾后遥感影像中检测损坏建筑物，为此，研究人员利用先进的计算机视觉和遥感技术开发了基准数据集，并公开分享，以供研究人员进行相应的训练和测试。

Dec, 2018

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

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

通过使用合成孔径雷达卫星图像时间序列，结合现有的手动损伤评估和云端地理空间分析工具作为基本真实数据，本研究提出了一种可扩展且可复制的方法，用于估算战争导致的建筑损害，并通过使用开放式建筑物边界对这些评估进行后处理，使人道主义组织和其他相关方能够快速筛查大范围的地理区域中的战争影响。

Jun, 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

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

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

通过使用 Pixel-Wise T-Test 算法结合合成孔径雷达成像和统计变化检测的方法，该研究提供了在广阔区域定期获得准确冲突破坏估计的新方法，并在乌克兰、加沙、叙利亚和伊拉克等地的 12 个城市上进行了评估，达到了与使用深度学习和高分辨率成像方法相媲美的建筑级准确性统计水平（在乌克兰是 AUC=0.88，在加沙是 0.81）。该 workflow 是开源的，并完全部署在 Google Earth Engine 环境中，可生成乌克兰和加沙的互动式战斗损伤仪表板，实时更新，使公众和人道主义从业者能够立即获取给定区域受损建筑的估计。

May, 2024

本研究提出了一种名为多模态 Swin Transformer (MMST) 的新型多模态（图像和结构化数据）方法，用于飓风后建筑损害分类。通过在美国佛罗里达州收集的 2022 年 Ian 飓风数据对所提出的 MMST 进行实证训练和评估，结果表明 MMST 的准确率为 92.67%，较 Visual Geometry Group 16（VGG-16）提高了 7.71% 的准确性。街景图像数据、建筑价值、建筑年龄和风速是损害级别分类中最重要的预测因素。所提出的 MMST 可用于快速损害评估并指导未来飓风中的侦察工作。

Apr, 2024