Apr, 2024

利用街景图像和结构化数据进行飓风后建筑损坏评估：一种多模式深度学习方法

PDF
TL;DR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。
building damagemulti-modal approachpost-hurricanedamage classificationmmst
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

  • 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

  • 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

  • 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

  • GaLeNet: 灾害预测、管理和救援的多模态学习

    提出多模态机器学习框架，并将预灾图像、气象数据和飓风轨迹相结合，以有效评估灾害的严重程度，从而避免决策延迟。

    Jun, 2022

  • MSNet：一种用于航拍视频中自然灾害损毁评估的多级实例分割网络

    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

  • 使用卷积神经网络在卫星图像中进行建筑物损伤检测

    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：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

  • 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

  • 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

    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。

    Jul, 2023