Page 169 - 《武汉大学学报（信息科学版）》2025年第9期

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 1897

结果。从第一、二行可以看到，DFEM 的加入改 的过高估计，GLFFM 增强了特征提取能力，将部
善了轻微损伤和无损伤类别的误分，然而由于中 分建筑物正确判断为无损伤类别，在此基础上，
度损伤具有更强的语义模糊性，简单的差异增强 DEAD 聚焦类别模糊的建筑物，进一步补充了无
无法改善中度损伤类别的分类效果，GLFFM 能 损 伤 类 别 的 区 域 ，同 时 也 提 升 了 建 筑 提 取 的
够获取多尺度上下文中的丰富语义信息，缓解了 效果。
对中等损伤类别的误分，并保证了结果的平滑，
表 3 消融实验设置
DEAD 进一步对语义信息进行挖掘，最终正确分
Table 3 Setup of Ablation Experiment
类了全部建筑物区域。在第三行中，对于左下角
网络模型 Base DFEM GLFFM-H GLFFM-V DEAD
的中度损伤建筑物，所有消融模型都无法对损伤
GLESNet-1 √
类别进行正确分类，而加入 DEAD 的模型增强了
GLESNet-2 √ √
训练过程中对此类困难样本的学习，因此能够得
GLESNet-3 √ √ √
到正确的分类结果。第四行中 DFEM 的加入剔 GLESNet-4 √ √ √ √
除了部分伪变化，改善了原始模型对于损伤程度 GLESNet √ √ √ √ √

表 4 xBD 数据集消融实验定量评价结果/%
Table 4 Quantitative Evaluation Results of Ablation Experiments on xBD Dataset/%
各损伤级别 F1 分数
网络模型 总体 F1 分数 建筑提取 F1 分数 损伤分类 F1 分数
无损伤 轻微损伤 中度损伤 严重损伤
GLESNet-1 75.49 85.67 71.12 93.70 51.05 72.58 81.95
GLESNet-2 76.18 85.61 72.13 93.57 53.31 71.68 82.97
GLESNet-3 76.98 85.75 73.22 94.52 55.62 71.69 82.49
GLESNet-4 77.56 85.74 74.06 94.42 57.20 71.93 83.10
GLESNet 78.45 86.03 75.20 94.49 57.90 73.88 84.71

图 8 xBD 数据集消融实验可视化结果
Fig. 8 Visualization Results of Ablation Experiments on xBD Dataset

为 了 进 一 步 证 明 DEAD 的 有 效 性 ，对 加 入 致双时相影像中建筑物的位置无法对齐，干扰了
DEAD 前网络难以处理的一些典型错误分类结 网络的预测。在第三行中，由于树木在灾前影像
果，以及加入 DEAD 之后的变化进行了展示，结 中对建筑物的遮挡，以及树木在灾害前后影像中
果如图 9 所示。第一行灾害前后影像的光照变化 的变化，从而使网络将部分建筑物误判为中度损
较大，导致网络将部分正常建筑物识别为损伤建 伤。在第四行中，灾后影像较为模糊，网络将图
筑物。第二行灾害前后影像的拍摄倾角不同，导 像的模糊混淆为建筑物本身的变化，从而过高估