Page 74 - 《武汉大学学报（信息科学版）》2025年第6期

1096 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

粗糙。这些方法在无人机空对地观测视角下对 面高点视角和无人机高点视角下分别选取 3 张
损毁建筑的检测效果显著，但在地面及地面高点 影像，统计了不同视角下的实例提取个数，结果
视 角 下 的 检 测 性 能 则 相 对 有 限 。 Mask2Former 见表 1。由表 1 可以看出，本文方法提取出的损
检测效果相对较好，而本文方法在 3 种视角下的 毁建筑和正常建筑数量与真实数量最为接近，证
提取效果均与地面真值相似度最高，误检、漏检 明 了 其 在 高 点 多 视 角 下 提 取 损 毁 建 筑 的 有
减少且实例内部完整性最高。此外，本文还在地 效性。

图 10 不同方法的损毁与正常建筑物实例分割结果
Fig. 10 Instance Segmentation Results of Damaged and Normal Buildings Using Different Methods
表 1 不同方法的损毁与正常建筑提取数量对比
Table 1 Comparison of Number of Damaged and Normal Buildings Extracted Using Different Methods
地面高点视角 无人机高点视角
方法 损毁建筑 正常建筑 损毁建筑 正常建筑
真实数量 提取数量 真实数量 提取数量 真实数量 提取数量 真实数量 提取数量
[23]
Mask R-CNN 25 43 80 107
Swin-Mask R-CNN [24] 27 36 73 96
SCNet [25] 15 23 23 39 59 78 75 101
Mask2Former [22] 22 33 69 92
本文方法 17 24 62 84

为了定量比较本文方法与其他方法之间的 bbox_mAP、bbox_mAP50 以 及 像 素 平 均 精 度
差异，在所有视角下统计了边界框平均精度均值 seg_mAP、seg_mAP50，其中 mAP50 指的是在预