ICCVJul, 2023

基于 CNN 的卫星遥感图像和 LiDAR 数据融合在加勒比地区的屋顶分类

PDF
TL;DR本研究使用深度学习技术对多模态遥感数据进行融合，实现了在多米尼克飓风玛利亚后所获得的高分辨率正射影像和航空 LiDAR 数据中，对建筑物屋顶特征的自动分类。实验结果表明，多模态遥感数据的融合要优于任何单一数据源的应用，使得屋顶类型和屋顶材料的分类的 F1 得分分别达到了 0.93 和 0.92。本研究旨在帮助政府及时生成更准确的建筑信息，以提高加勒比地区的抗灾能力和灾害响应能力。
building characteristicsvulnerability assessmentdeep learning techniquesroof type classificationroof material classification
发现论文，激发创造
  • 基于多视角深度学习的可靠后灾害损伤分类

    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

  • RescueNet：卫星图像中建筑物分割和损伤评估的联合方法

    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

  • DeepDamageNet: 使用卫星图像的多灾害建筑损坏分割和分类的两步深度学习模型

    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

  • Nacala-Roof-Material: 无人机图像用于屋顶检测、分类和分割，以支持蚊媒疾病风险评估

    通过利用遥感图像对屋顶类型进行分类，可以支持疟疾风险评估并有助于预防疟疾。我们提供莫桑比克的 Nacala-Roof-Material 数据集，其中包含高分辨率的无人机图像，并提供标签以确定房屋及其屋顶类型。该数据集定义了一个多任务计算机视觉问题，包括目标检测、分类和分割。我们基于该数据集对多种最先进的方法进行了基准测试，结果显示每种方法在各自任务上具有优势，但没有一种方法在所有任务上占据优势，这突显了我们数据集在多任务学习中的潜力。我们还通过引入深度有序分水岭（DOW）方法的变体解决了对象准确分割和分离的问题，从而改善了对象的描绘和分割效果。我们展示了我们的 DOW 变体是一种通用方法，可以改进 U-Net 和 DINOv2 主干网络的性能，实现了语义分割和实例分割之间更好的权衡。

    Jun, 2024

  • AB2CD：建筑气候损害分类和检测的人工智能

    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

  • 利用深度学习技术进行土地利用和土地覆盖分类

    通过使用深度卷积神经网络分类空间分辨率非常高（VHR）、正射成像的可见光多光谱图像，本论文探索了自动土地利用 / 土地覆盖（LULC）分类的潜力

    May, 2019

  • FloodNet：一个用于洪水后场景理解的高分辨率航拍图像数据集

    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

  • 基于遥感图像的飓风后损坏建筑自动检测基准数据集

    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

  • 通过机器学习实现自动屋顶类型分类，用于区域风险评估

    使用机器学习建立屋顶分类框架，使用 CNN 模型对卫星图像进行分类，将该模型应用于 New Hanover County, NC 和 Miami-Dade County, FL，研究了屋顶类型在不同地区的分布，以及如何使用临近建筑特征和邻域屋顶特征的缺失处理方法。

    May, 2023

  • 通过无人机图像绘制加勒比地区住房库存特征以提升气候适应能力

    通过使用高分辨率无人机图像和深度学习技术，本研究提出了一种快速生成关键基线住房库存数据的工作流程，以促进减少气候极端灾害对加勒比地区等高风险地区的不利影响的气候适应举措。

    Dec, 2023