Page 170 - 《武汉大学学报（信息科学版）》2025年第9期

1898 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 9 月

计建筑物的损伤程度。加入 DEAD 的网络由于 下 的 数 据 中 分 别 获 取 总 数 据 量 的 10%、20%、
在训练过程中对易错的困难样本施加了更多关 30%、40% 和 50% 进行训练或微调，结果如图 10
注，强化了对这些样本的判别能力，从而提升了 所示。图 10（a）是总体 F1 分数、建筑提取 F1 分数
损伤分类的效果。 和损伤分类 F1 分数的变化曲线，图 10（b）则是每
个损伤类别 F1 分数各自的变化曲线，其中由于
Ida-BD 数据集中严重损伤类别样本量过少，因此
只计算其他 3 个类别的 F1 分数。
由图 10 可以看出，预训练权重初始化的模型
具有明显更高的初始 F1 分数。对于建筑提取 F1
分数，预训练权重初始化模型在 30% 数据微调时
基本达到了 xBD 数据集上的水平，并在后续保持
稳定，无权重初始化模型在 50% 数据微调时基本
稳定，且与预训练权重初始化模型差异较小。对
于损伤分类 F1 分数，预训练权重初始化模型一直
保持稳步增长，无权重初始化模型在前 30% 数据
量的微调中增长迅速，但最终仍与预训练权重初
图 9 部分典型错误分类结果可视化
始化模型保持较大差距。各损伤类别 F1 分数的
Fig. 9 Visualization of Some Typical
变化趋势与总体损伤分类 F1 分数的变化趋势基
Misclassification Results
本一致。无损伤类别的 F1 分数明显高于轻微和
2.6 迁移实验 中度损伤类别的 F1 分数。相对无权重初始化模
为了探究在大范围数据集上训练的模型在 型，预训练权重初始化模型在轻微损伤和中度损

真实场景下的迁移性能，以及后续微调对于迁移 伤类别的 F1 分数优势明显，而在无损伤类别上差
性能的影响，在 Ida-BD 数据开展了迁移实验。随 异较小。此外，预训练权重初始化模型的训练过
机抽取 50% 的 Ida-BD 数据固定为测试集，从剩 程也更加平稳。

图 10 迁移实验中各评价指标随微调数据比例的变化
Fig. 10 Change of Each Evaluation Index with the Proportion of Fine-Tuned Data in Transfer Experiment

为 了 进 一 步 评 估 GLESNet 的 迁 移 性 能 ，分 F1 分数略有优势，较 Siam-UNet 分别高出 1.68%
别在未进行微调和使用 30% 数据进行微调的情 和 3.15%。 更 大 的 差 距 在 于 建 筑 提 取 F1 分 数 ，
况下，与 Siam-UNet 的效果进行了对比，结果见 Siam-UNet 与 GLESNet 的 差 距 达 6.6%，这 是 由
表 5。在未进行微调时，二者的性能均有较为严 于 Siam-UNet 仅使用灾前影像训练独立的模型
重的退化。GLSENet 的损伤分类 F1 分数和总体 进行建筑提取，因此学习到的建筑物特征泛化性