Page 168 - 《武汉大学学报（信息科学版）》2025年第9期

1896 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

建筑物，GLESNet 整合了全局到局部的各个尺度 第五行中多个类别混合的情况，GLESNet 也可以
的特征，并采用差异增强模块关注变化区域，因 较为准确地提取出其边界，并保证各类别间的平
此能够正确判断出各个损伤类别的大致范围，在 滑 过 渡 ，在 复 杂 场 景 下 仍 然 具 有 较 好 的 判 别
此基础上准确提取出各个类别间的边界。对于 能力。

表 2 xBD 数据集对比实验定量评价结果/%
Table 2 Quantitative Evaluation Results of Comparative Experiments on xBD Dataset/%
建筑提取 F1 分 损伤分类 F1 分 各损伤级别 F1 分数
网络模型 总体 F1 分数
数 数 无损伤 轻微损伤 中度损伤 严重损伤
Siam-UNet 75.13 86.09 70.44 93.71 51.23 70.95 79.99
ChangeOS 75.50 85.69 71.14 89.11 53.11 72.45 80.79
DamFormer 76.64 85.69 72.76 93.98 54.22 72.83 82.25
Dual-HRNet 76.76 85.85 72.69 94.42 54.81 73.66 80.10
DAHiTra 77.10 85.91 73.31 92.90 56.28 72.54 81.64
BDANet 77.19 86.29 73.29 94.96 54.50 72.67 83.75
GLESNet 78.45 86.03 75.20 94.49 57.90 73.88 84.71

图 7 xBD 数据集对比实验可视化结果
Fig. 7 Visualization Results of Comparative Experiments on the xBD Dataset
2.5 消融实验 1.38%，在损伤分类上提升 1.09% 和 1.93%。并
为了进一步验证所提模块在 GLESNet 中的 在无损伤和轻微损伤方面提升显著，在无损伤方
有效性，对网络中的关键模块进行消融实验和分 面 提 升 0.95% 和 0.85%，在 轻 微 损 伤 方 面 提 升

析，消融实验的设置见表 3，结果见表 4。模型 1 2.31% 和 3.89%。完整的 GLESNet 进一步加入
为 基 础 网 络 ，使 用 常 规 卷 积 代 替 DFEM 模 块 和 了 DEAD，较模型 4 总体 F1 分数提升 0.89%，损
GLFFM-H 模块，并去除了额外的错误预测分支 伤分类 F1 分数提升 1.14%，且在建筑提取 F1 分
和 GLFFM-V 模 块 ，其 他 结 构 参 数 与 GLESNet 数上提升 0.29%。完整的 GLESNet 一定程度上
一致。模型 2 采用 DFEM 进行特征融合，使得总 克服了语义模糊问题，增强了中度损伤和严重损
体 F1 分 数 增 加 0.69%，损 伤 分 类 F1 分 数 增 加 伤类别的 F1 分数，提升幅度达 1.95% 和 1.61%。
1.01%，尤其是轻微损伤和严重损伤类别有了较 总的来说，各个模块的加入使得网络获得了稳定
大的提升，分别达 2.26% 和 1.02%。模型 3 和模 的性能提升，完整的 GLESNet 补充了所有消融
型 4 逐步加入了 GLFFM-H 和 GLFFM-V 模块， 模型的不足，取得了最为均衡的结果。
分 别 较 模 型 2 在 总 体 F1 分 数 上 提 升 0.8% 和 图 8 展示了消融实验的 4 组影像部分可视化