Page 167 - 《武汉大学学报（信息科学版）》2025年第9期
P. 167

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                                   1895


                素，空间分辨率为 0.5 m。建筑物标签按 xBD 数                                         m
                                                                           F1 d =  m      × 100%       （30）
                据集标准标注为无损伤、轻微损伤、中度损伤和
                                                                                 ∑  1/F1 c n
                严重损伤 4 种类别。Ida-BD 数据集专为测试损伤                                      n = 1
                评估方法的域适应能力开发，其类分布与 xBD 数                             F1 s =(0.3 × F1 b + 0.7 × F1 d) × 100% （31）
                据集有较大差异，如表 1 所示。                                式中， F1 b、 F1 d 和 F1 s 分别为建筑提取、损伤分类
                    LEVIR-CD 数据集包含 637 对影像，影像大                  和总体 F1 分数；TP、FP、FN 分别为真阳性、假阳
                小为 1 024×1 024 像素，空间分辨率为 0.5 m，影                性、假阴性像素数； F1 c n     为各损伤类别 F1 分数； m
                像对之间的时间跨度为 5~14 a。该数据集中有                        为总类别数。F1 分数同时考虑了准确率和召回
                约 31 000 个建筑物实例，包括仓库、车库和公寓                      率，能够更好地评估类别不平衡时的建筑提取与
                大楼等各种建筑物类型。其训练集、验证集和测                           损伤分类效果。
                试集分别包含 445、64、128 对影像。                          2.4 对比实验
                                                                    为了验证 GLESNet 在损伤评估任务上的优
                   表 1 xBD 数据集与 Ida-BD 数据集中每类像素的
                                                                势 ，在 xBD 数 据 集 上 开 展 了 对 比 实 验 ，选 择 Si⁃
                                 数量分布/%                                 ［14］         ［13］          ［26］
                                                                am-UNet    、ChangeOS    、DamFormer    、Dual-
                   Table 1 Class-Wise Pixels Count Distribution in    ［19］        ［25］         ［16］
                                                                HRNet    、DAHiTra    和 BDANet     等 6 种先进
                        xBD Dataset and Ida-BD Dataset/%
                                                                的 损 伤 评 估 方 法 作 为 对 比 。 表 2 显 示 了 GLE⁃
                  数据集     背景   无损伤    轻微损伤 中度损伤 严重损伤
                                                                SNet 与 其 他 先 进 方 法 在 xBD 数 据 集 上 的 结 果
                   xBD    96.1   2.7    0.1    0.1     0.1
                                                                定 量 对 比 ，图 7 显 示 了 GLESNet 与 其 他 先 进 方
                  Ida-BD  81.7  11.9    4.6    1.6     0.05
                                                                法 的 可 视 化 对 比 。 由 表 2 可 以 看 出 ，GLESNet
                2.2 实验设置                                        在总体 F1 分数和损伤分类 F1 分数上取得了最
                    本文实验在 64 位 Ubuntu20.04 环境下进行，               佳 的 结 果 ，在 总 体 结 果 上 相 对 第 二 名 提 升
                CPU 型号为 Intel（R） Xeon（R） Gold 6258R CPU         1.26%。 而 在 建 筑 提 取 上 ，由 于 Siam-UNet 和
                @ 2.70 GHz，内 存 128 GB，显 卡 为 单 个 GeForce         BDANet 是二阶段方法，通过专门的建筑提取网
                GTX 3090，显存 24 GB。网络采用 Pytorch 框架               络 在 灾 前 图 像 提 取 建 筑 物 ，因 此 F1 分 数 比
                实现。对于 xBD 数据集，将影像裁剪为 512×512                    GLESNet 分别高出 0.06% 和 0.26%。但在更重
                像素输入，批量大小为 8，并训练 50 轮，训练期间                      要 的 损 伤 分 类 结 果 上 ，GLESNet 相 对 第 二 名 提
                使用 Adam 优化器，初始学习率 0.000 1，并采用多                  升 了 1.91%。 在 各 损 伤 级 别 上 ，GLESNet 在 轻
                步学习率衰减策略，单步衰减率为 0.5。迁移实验                        微 损 伤 和 严 重 损 伤 类 别 上 优 势 明 显 ，在 无 损 伤
                时以同样配置在 Ida-BD 数据集上微调 25 轮。对                    类别上，也取得了仅次于 BDANet 的结果。
                于 LEVIR-CD 数据集，将影像裁剪为 256×256 像                     图 7 展示了对比实验中 5 组影像的部分定性
                素输入，批量大小为 8，并训练 200 轮，训练期间使                     可视化结果。在第一行中，大部分对比方法由于
                用 Adam 优化器，初始学习率 0.01，采用线性学习                    提取全局信息和高级语义的能力不足，无法在建
                率衰减策略。所有训练和测试均使用官方的数                            筑物内部取得一致性结果，将部分建筑物由中度
                据集划分进行，并在训练过程中通过随机旋转、                           损伤误判为轻微损伤。此外，除 GLESNet 外，所
                翻转、缩放、高斯模糊等方法进行数据增强。                            有对比方法都在建筑提取上产生了一定误判，将
                2.3 评价指标                                        附近的停车场判断为建筑物，也体现了 GLESNet
                    为了更好地与其他模型进行比较，本文采用                         在提取高级语义特征方面的优越性。对于第二
                xBD 数据集官方评价指标。采用建筑提取 F1 分                       行左下角位于森林区域的建筑物，周围水体被遮
                数评价建筑提取结果；各损伤类别 F1 分数的调和                        挡，由于 GLESNet 能够更加充分地利用长距离
                均值评价损伤分类结果；总体 F1 分数通过建筑提                        上下文，因此能够正确区分遮挡建筑物的损伤类

                取 F1 分数和损伤分类 F1 分数的加权和计算，由                      别 。 对 于 第 三 行 左 下 部 的 小 目 标 建 筑 物 ，由 于
                于更关注损伤分类结果，因此给予损伤分类 F1 分                        GLESNet 能够同时获取局部特征，因此能够区分
                数更高的权重。各类 F1 分数的计算式分别为：                         出小目标建筑物的类别，并且由于更加关注困难
                                   2TP                          样本，对右上角其他方法均无法正确区分的建筑
                       F1 b =                × 100%    （29）
                             2TP + FP + FN                      物也能得到正确结果。对于第四行大范围粘连
   162   163   164   165   166   167   168   169   170   171   172