DeepDamageNet: A two-step deep-learning model for multi-disaster building damage segmentation and classification using satellite imagery

卫星图像在灾后建筑损伤评估中发挥着越来越重要的作用。不幸的是，目前的方法仍然依赖于手动视觉解释，这常常耗时且准确率非常低。为了解决手动解释的局限性，已经有相当多的努力致力于自动化这一过程。我们提出了一种解决方案，通过深度学习模型执行建筑损伤评估中的两个最重要的任务，即分割和分类。我们展示了我们作为xView2挑战的一部分提交的结果，这是一个比赛，旨在设计更好的模型，以识别经过多种自然灾害暴露后的建筑物及其损伤程度。我们最好的模型将建筑物识别语义分割卷积神经网络（CNN）与建筑物损伤分类CNN相结合，具有0.66的综合F1分数，超过了xView2挑战基线F1分数0.28。我们发现，虽然我们的模型能够相对精确地识别出建筑物，但由于不同损伤级别之间的视觉相似性和不同灾害类型之间不同的损伤分布，建筑物损伤分类是一项困难的任务，这凸显了在获得准确预测时具有概率先验估计灾害损伤的重要性。

论文旨在解决建筑损伤评估中手动视觉解释的时间成本高、准确率低的问题，通过深度学习模型自动化实现建筑分割和分类任务。

论文提出了一种将建筑身份语义分割卷积神经网络（CNN）和建筑损伤分类CNN相结合的模型，能够在多种自然灾害后识别建筑和其损伤程度，实现了较高的准确率。

论文的实验结果表明，该模型能够较为准确地识别建筑，但在不同类型的自然灾害下实现建筑损伤分类是困难的。论文提出需要有概率先验估计来获得准确的预测结果。此外，论文还参加了xView2 Challenge竞赛，取得了较好的成绩。

近期相关研究包括使用遥感图像进行建筑损伤评估的方法，以及使用深度学习模型进行遥感图像分割和分类的方法。相关论文包括：《A comparison of remote sensing methods for building damage detection after earthquakes》、《Deep learning for remote sensing applications: A comprehensive review》等。