Jan, 2024

基于遥感和深度学习技术的基础设施快速损伤特性划分方法

PDF
TL;DR通过应用先进的技术和方法，本研究提出了一个综合三级分层方法来评估和描述关键基础设施的破坏程度，并在乌克兰的桥梁案例中进行了验证。通过在不同尺度上应用技术，从区域到基础设施的组成部分，我们提高了评估的准确性，从而提高了决策速度，增强了恢复和应急能力。
critical infrastructuredamage characterisationtargeted attacksrestoration
发现论文，激发创造
  • 用于像素级识别结构组件和损伤的高分辨率视觉变压器

    在本研究中，我们基于视觉变换器和拉普拉斯金字塔缩放网络开发了一个语义分割网络，用于高效解析高分辨率的视觉检测图像。通过在桥梁检测报告图像数据集上进行全面的实验评估，我们的提出的框架在像素级材料检测方面具有广泛的应用价值。

    Aug, 2023

  • 城市基础设施相互依赖网络中易受攻击节点的检测

    对城市基础设施的脆弱性进行建模与分析，利用基于图神经网络和强化学习的系统来准确刻画城市系统的脆弱性，包括城市设施的风险和脆弱性的发现。

    Jul, 2023

  • 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

  • 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

  • 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

  • 在乌克兰使用 Sentinel-1 时间序列进行大规模战争破坏地图制作的开源工具

    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

  • 基于因果关系的大规模 InSAR 遥感图像下飓风后建筑损坏快速检测

    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

  • 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

  • 社交媒体图像的损伤定位与量化

    本文提出了一种基于卷积神经网络和类别激活映射的新方法，用于在社交媒体图像中定位灾害损失并量化其程度，从而提供一种相对于昂贵的地理信息系统方法更为经济有效的、基于社交网络图像的灾后损失评估方案。

    Jun, 2018

  • 资产管理、条件监测与数字孪生：针对钢筋混凝土桥梁的损伤检测与虚拟检查

    在挪威 E6 公路上，Stava 桥的结构缺陷通过物联网传感器的数据被检测到，展示了在线监测和数字孪生在风险和基于条件的维护中的重要性，通过物理模型和机器学习的结合实现了损伤检测和诊断。

    Apr, 2024