Page 161 - 《武汉大学学报（信息科学版）》2025年第9期
P. 161

第 50 卷第 9 期    刘梓航等：联合全局-局部特征和动态错误监督的遥感影像建筑物损伤评估方法                                   1889


                global  and  local  features  and  percept  the  difficult  samples.  Results:  The  proposed  GLESNet  achieves
                86.03% F1-score of building extraction, 75.20% F1-score of damage classification, and 78.45% overall
                F1-score on xBD dataset, which is currently the largest global level high-resolution satellite image dataset
                for building damage assessment. Conclusions: The quantitative evaluation and visualization results are bet⁃
                ter  than  other  advanced  comparison  methods.  Ablation  study  verifies  the  effectiveness  of  each  module.
                Transfer experiments and change detection experiments carried out on the Ida-BD and LEVIR-CD datas⁃
                ets verify the generalization of the proposed GLESNet to different data and tasks.
                Key  words：  building  damage  assessment；  change  detection；  siamese  network；  feature  fusion；  satellite
                imagery

                    地震、台风、洪水、火灾等自然和人为灾害严                        行像素级评估。将损伤评估分解为建筑提取和
                重威胁人们的生命财产安全 。建筑物作为一种                           损伤分类两个子任务，根据两个子任务的耦合程
                                         ［1］
                重要承灾体，其倒塌是灾害中人员伤亡的重要原                           度，又可将这些方法分为三类：（1）构建两个独立
                因之一，评估灾后建筑物的损伤程度对受灾区域                           的模型，分两阶段进行建筑提取和损伤分类                     ［14］ ；
                确定、灾害应急响应、灾后重建与灾情评估具有                           （2）将两个子任务合并到同一模型中，通过共享
                        ［2］
                重要意义 。传统的评估过程主要基于地面调查                           编码器和独立解码器分别进行建筑提取和损伤
                进行，可获得较为详细的损伤信息，但时间周期                           分类  ［13］ ；（3）不对两个子任务进行区分，采用孪生
                                                  ［3］
                长、人力物力成本高、具有一定的风险 ，且在交                          网络架构同时进行建筑提取和损伤分类                    ［15］ 。这
                                            ［4］
                通不便的情况下数据获取受限 ，无法满足灾害                           三类方法性能相近，但基于孪生网络架构的方法
                应急等任务的需求。随着遥感技术的发展，高分                           可实现端到端的输出，更加灵活高效。
                辨率遥感卫星可在短时间内获得灾区大范围的                                为了进一步提升损伤评估方法的性能，学者
                                            ［5］
                影像数据，反映真实的地表信息 ，已逐步应用于                          们 从 双 时 相 特 征 关 系 建 模 、建 筑 物 位 置 先 验 引
                受灾区域确定和灾害应急响应 ，为高效的大范                           导、类别不平衡和语义模糊性缓解等角度进行了
                                            ［6］
                围建筑物损伤评估提供了新的手段。因此，基于                           改进。文献［16］提出了 BDANet，针对两阶段方
                高分辨率卫星遥感影像的建筑物损伤评估方法                            法特征交互不够充分的问题，开发了交叉关注模
                具有广阔的应用前景和重要的研究价值。                              块，实现双时相特征间的通信；文献［17］在第二
                    传统的遥感影像建筑物损伤评估方法主要                          阶段引入分组洗牌注意力对双时相特征进行交
                基 于 颜 色 纹 理 等 特 征 和 机 器 学 习 技 术 进 行     ［7-9］ 。  换；文献［13］提出了 ChangeOS，通过灾前影像获
                这些方法主要考虑建筑物本身的变化，集中于倒                           取深度对象特征指导损伤分类，并进行对象化后
                塌 和 未 倒 塌 两 种 类 别 ，产 生 的 评 估 结 果 较 为 粗          处理；文献［18］将建筑物定位信息引入损伤分类
                糙，受损建筑物中受到周围环境影响的部分难以                           阶段，通过建筑物位置先验约束上下文信息，实
                准确提取，如被洪水部分淹没的建筑物。此外，                           现可解释的损伤分类增强；文献［19］提出了 Dual-
                这些方法往往只适用于单一的灾害类型，限制于                           HRNet，并通过改进损失函数缓解类别不平衡问
                特定的地理区域难以迁移应用              ［10］ 。               题；文献［20］通过对比学习缓解相邻损伤类别的
                    近年来，深度学习的蓬勃发展大大推进了建                         语义模糊性，提高损伤评估性能。
                筑物损伤评估方法的研究。基于深度学习技术                                损伤评估需要综合建筑物本身的外观和建
                已经探索了多种类别的建筑物损伤评估方法，按                           筑物周围的环境变化，因此部分方法结合从局部
                照所使用的数据可分为仅使用灾后影像的方法                            到全局的多尺度特征以提升性能。文献［21］采
                和同时使用灾前灾后双时相影像的方法，按照所                           用带膨胀卷积的 ResNet        ［22］ 骨干和空洞空间金字
                使用的评估技术，可分为基于对象级图像分类的                           塔 池 化（atrous spatial pyramid pooling，ASPP）模
                方法和基于像素级变化检测的方法。其中，仅使                           块 ［23］ 获 得 多 尺 度 特 征 。 然 而 卷 积 的 感 受 野 有
                用灾后影像的方法         ［11］ 难以获取建筑物的精确轮               限 ［24］ ，难以提取全局特征，因此后续研究引入了
                廓及变化特征，基于图像分类的方法                 ［12］ 丢失了大      自注意力机制。文献［25］提出了 DAHiTra，基于
                量 场 景 信 息 ，且 容 易 受 到 双 时 相 影 像 偏 移 的 影          双时相差异特征，利用自注意力模块，捕获受损
                响，因此效果不佳。目前大部分方法将损伤评估                           建筑物间的远程信息和不同局部区域间的多层
                视为一对多变化检测任务            ［13］ ，使用双时相影像进           次变化关系；文献［26］提出了 DamFormer，采用
   156   157   158   159   160   161   162   163   164   165   166