Jan, 2024

xBD 数据集上建筑损坏检测的简明、强大基线

PDF
TL;DR我们构建了一种强大的基准方法用于建筑损坏检测，通过使用 xView2 比赛的高度工程化的获奖解决方案，并逐步去除组件，从而获得一个更简单的方法，同时保持足够的性能。我们的预期是，简化的解决方案更加普适且易于应用，这基于简化解决方案的复杂性降低，以及我们选择基于简单启发式方法的超参数，可以迁移到其他数据集。然而，在将 xView2 数据集重新划分的设置中，使得测试位置在训练过程中是不可见的，我们发现复杂模型和简化模型都无法推广到未见过的位置。通过分析数据集，发现该泛化失败不仅是模型本身的问题，而且可能也受到事件之间不平等的类分布的影响。
building damage detectionbaseline methodxview2 competitionsimplified solutionunequal class distributions
发现论文，激发创造
  • 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

  • 利用多时相影像融合进行建筑物灾害损伤评估

    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

  • 大规模 xBD 卫星图像基准数据集中用于建筑物损伤评估的自监督学习

    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: 用卫星图像评估建筑损伤的数据集

    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

  • 基于视觉基础模型的通用灾害损害评估通过变化检测

    DAVI 是一种基于图像分割和任务特定知识的灾害评估方法，能够在无需目标地区地面真值标签的情况下，准确检测结构性损害，并在不同地理景观和灾害类型的情况下展现出优异性能。

    Jun, 2024

  • 知识库补全：基准反击

    通过重新实现 DistMult 模型，本文发现几乎所有在 FB15k 标准数据集上发布的模型的准确性都可以被我们适当调整基线模型超越，表明最近模型的性能改进可能不是由于架构变化，而是由于超参数调整或不同的训练目标。这应促使未来的研究重新考虑如何评估和报告模型的性能。

    May, 2017

  • Reduced Focal Loss: xView 卫星图像目标检测第一名解决方案

    该论文介绍了在 DIUx xView 2018 Detection Challenge 中获得第一名的方法，即使用新的卫星图像数据集，通过引入一种新颖的减少焦点损失函数来解决数据集的类别不平衡问题。

    Mar, 2019

  • 自动 X 光预测中跨域普适性的局限性研究

    该研究采用大规模方法量化 X 射线诊断预测任务在多个不同数据集上广泛适用的程度，并发现预测的不一致性不是由图像转移引起的，而是由标签转移引起的。通过正则化网络来测试概念相似性，观察多个数据集中任务之间的差异。

    Feb, 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

  • 宽基线立体学习与制作

    该论文介绍了广泛的多基线立体（WxBS）问题，提出了针对该问题的一系列改进措施，包括使用 HardNet 实现局部图像特征的学习，以及引入 feedback loop 实现 MODS 算法，该算法在解决视角差异问题上表现优异。

    Dec, 2021