Page 171 - 《武汉大学学报（信息科学版）》2025年第9期
P. 171

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                                   1899


                不 足 导 致 的 。 而 GLESNet 同 时 使 用 双 时 相 影           的效果均有了较大提升，GLESNet 的总体 F1 分
                像，联合损伤评估任务训练，因此学习到了较为                           数达到了 65.62%，Siam-UNet 模型的总体 F1 分
                鲁棒的特征。在经过 30% 数据微调后，两个方法                        数也达到了 60% 以上。

                                          表 5 Ida-BD 数据集迁移实验对比结果定量评价/%
                             Table 5 Quantitative Evaluation of Transfer Experiment Results on Ida-BD Dataset/%
                                                                                      各损伤级别 F1 分数
                微调数据比例        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
                             Siam-UNet     41.56       71.48        28.74       82.14      23.35     20.25
                    0%
                              GLESNet      44.71       78.08        30.42       82.72      31.53     18.24
                             Siam-UNet     61.05       76.27        54.53       81.36      44.54     49.34
                    30%
                              GLESNet      65.62       84.54        57.52       81.01      45.85     55.54

                    图 11 展 示 了 经 过 30% 数 据 微 调 后 GLE⁃           2.7 变化检测实验
                SNet 和 Siam-UNet 的部分可视化结果。第一行                       为了进一步说明 GLESNet 对多种任务的适
                显示了阴影条件下的结果。由于 Siam-UNet 仅                      用性，在 LEVIR-CD 数据集上开展了二值变化检
                采用前时相影像获取建筑物位置，因此在右侧阴                           测实验。并与 6 种变化检测领域的先进方法对
                影 区 域 的 建 筑 提 取 上 出 现 了 大 片 的 漏 检 ，而            比 ，其 中 DMINet   ［35］ 、ChangeFormer ［36］ 和 BIT ［37］
                GLESNet 由 于 同 时 使 用 双 时 相 影 像 ，不 仅 完 整          是 基 于 自 注 意 力 的 方 法 ，IFNet   ［38］ 、SNUNet ［39］ 、
                获取了建筑物区域，在损伤分类上也具有一定的                           TFI-GR ［40］ 是基于卷积的方法。

                准 确 度 。 在 第 二 行 存 在 遮 挡 的 区 域 ，GLESNet              表 6 展 示 了 各 方 法 在 LEVIR-CD 数 据 集 上
                也能够提取出 Siam-UNet 的漏检区域，并给出正                     的定量结果。尽管在召回率 R 上略低于第二名

                确的分类结果。对于第三行中面积较大的建筑                            IFNet，但 GLSENet 在其余的所有指标上均取得
                物，GLESNet 能保证所提建筑物轮廓的完整性，                       了最佳结果，尤其是在更综合的 F1 分数上高出
                以及内部损伤分类结果的一致性，而 Siam-UNet                      其 他 方 法 0.96%，在 更 严 格 的 交 并 比（intersec⁃
                提取结果的轮廓较为模糊，同时分类结果中椒盐                           tion over union， IoU）上高出其他方法 1.41%，证
                噪 声 严 重 。 对 于 第 四 行 中 的 密 集 微 小 建 筑 物 ，         明 GLESNet 在变化检测任务上也表现出具有竞
                GLESNet 能 够 完 整 提 取 出 建 筑 物 的 精 细 轮 廓 ，         争力的性能。
                每个建筑物的类别也能保持独立，而 Siam-UNet
                                                                 表 6 LEVIR-CD 数据集变化检测实验结果定量评价/%
                的损伤分类结果存在粘连，难以区分每个建筑物
                                                                 Table 6 Quantitative Evaluation of Experimental Results
                的具体类别。
                                                                    of Change Detection on LEVIR-CD Dataset/%
                                                                   网络模型       OA     P      R     F1    IoU
                                                                   SNUNet     98.32  90.99  85.05  87.77  80.05
                                                                 ChangeFormer  98.37  89.70  87.72  88.68  81.27
                                                                   DMINet     98.43  92.40  85.03  88.36  80.82
                                                                     BIT      98.51  92.13  86.64  89.18  81.96
                                                                   TFI-GR     98.56  93.00  86.51  89.47  82.37
                                                                    IFNet     98.62  90.62  90.71  90.67  84.07
                                                                   GLESNet    98.68  94.48  89.16  91.63  85.48

                                                                    图 12 显示了变化检测实验的部分定性可视
                                                                化结果。第一、二行显示了背景较为简单、建筑
                                                                物排列较为整齐时的结果，几种对比方法均能较
                                                                为准确地提取出变化区域，而 GLESNet 对轮廓

                   图 11 Ida-BD 数据集迁移实验对比结果可视化                   的提取更为准确。第三、四行显示了背景噪声较
                Fig. 11 Visualization of Transfer Experiment Results on   多、建筑物排列较为散乱时的结果，基于卷积和
                                Ida-BD Dataset                  自注意力的方法由于缺少有效的上下文指导，容
   166   167   168   169   170   171   172   173   174   175   176