Page 166 - 《武汉大学学报（信息科学版）》2025年第9期

1894 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

out 态生成，副分支在训练过程中始终对主分支的状
支和副分支两个子分支，将 GLFFM-H 的输出 f 3
分别输入两个子分支中，通过跳跃连接结合编码 态进行动态追踪。动态错误感知解码器的基本
特征 f 1 、 f 2 、 f 3 ，分别完成损伤评估任务和错误 单元是 CFDM，根据模块的位置，CDFM 可分为
fus
fus
fus
预测任务。错误预测标签根据主分支的损伤评 中层层间融合解码模块（CFDM-M）和浅层层间
估预测获得，并作为副分支的监督，使副分支学 融合解码模块（CFDM-S）。CFDM-M 包含两个
习主分支出现的错误预测，进行错误样本识别的 连续的卷积块（3×3 卷积+批归一化+ReLU 激
任务，从而增强网络对于易错困难样本的感知能 活），第一个块将通道叠加的层间特征进行融合，
力，对于由伪变化影响导致的困难样本，网络在 第 二 个 块 则 对 融 合 后 特 征 进 行 语 义 提 取 。
学习过程中会进行额外的关注，以减少伪变化造 CFDM-S 将第二个块改为 3×3 卷积以输出结果。
成的影响。副分支的监督信号由主分支预测动 CFDM-M 和 CFDM-S 的区别如图 6 所示。

图 6 动态错误感知解码器
Fig. 6 Dynamic Error Aware Decoder

动态错误感知解码器在两个子分支末尾分 L mix = L ce + L Lovasz （28）
别输出一个损伤评估结果 P dam1 和一个错误预测
结果 P err，对损伤评估真值 GT dam 和 P dam1 作差并取 2 实验结果与分析
绝对值，归一化后作为错误预测的真值 GT err。作
2.1 实验数据
差过程进行梯度截断，防止副分支的梯度传播干
本文使用 xBD 数据集 ［12］ 开展对比和消融实
扰主分支的训练。GT err 的计算式为：
验 ，使 用 Ida-BD 数 据 集 ［33］ 开 展 迁 移 实 验 ，并 在
GT err = λ ⋅ SUM (| GT dam - δ ( P dam1 )| ) （26）
LEVIR-CD 数据集 ［34］ 上进行了变化检测实验，以
式中， P dam1、 GT dam ∈ R H × W × C cls ， GT err ∈ R H × W × 1 ， C cls
充分验证所提 GLESNet 的综合性能。
为总输出类别数； SUM (⋅) 代表沿通道维度相加；
xBD 数据集是目前规模最大的建筑物损伤
δ (⋅) 代表沿通道维度的 Softmax 函数； λ 为归一化
评估数据集，包含全球范围内 19 个灾害事件的
系数，这里设置为 0.5。两个子分支末尾 CFDM-
S 模块输出的特征沿通道叠加后送入一层额外的 11 034 对灾前和灾后影像，覆盖了 45 361.79 km 2
CFDM-S 模 块 中 ，结 合 错 误 预 测 特 征 进 一 步 细 范围内的 850 736 个建筑物实例，涵盖了地震、洪
化，并输出最终的损伤评估结果 P dam2。最终网络 水、野火、海啸等常见的灾害类型。影像大小为
由两个损伤评估损失和一个错误预测损失联合 1 024×1 024 像 素 ，空 间 分 辨 率 为 0.8 m。 包 含
优化，计算式为： 无损伤、轻微损伤、中度损伤和严重损伤 4 种建
all dam1 dam2 err （27） 筑物标签。其训练集、验证集和测试集分别包含
L mix = L mix + L mix + L mix
dam1
式中， L mix 和 L mix 为两个损伤评估损失； L mix 为错 9 168、933、933 对影像。
err
dam2
误预测损失。L mix 为类不平衡损失函数，该函数 Ida-BD 数据集提供了 2021 年 8 月飓风 Ida 期
以交叉熵损失 L ce 为主要损失，为了缓解类别不平 间美国路易斯安那州新奥尔良部分区域的 87 对
衡问题，又加入了 Lovasz 损失 ［32］ L Lovasz 作为修正： 灾 前 和 灾 后 影 像 。 影 像 大 小 为 1 024×1 024 像