Urban Waterlogging Detection: A Challenging Benchmark and Large-Small Model Co-Adapter

城市内涝对公共安全和基础设施构成重大风险。传统的水位传感器方法需要高维护成本才能实现全面覆盖。最近的进展采用监控摄像头图像和深度学习进行检测，但在数据稀缺和恶劣环境条件下仍然存在困难。本文在不同的恶劣条件下建立了一个具有挑战性的城市内涝基准（UW-Bench），以推进实际应用。我们提出了一个大-小模型协同适配器范式（LSM-adapter），它利用大模型的实质性通用分割潜力和小模型的特定任务导向指导。具体而言，我们提出了一个三重S提示适配器模块和一个动态提示组合器，用于生成并合并多个提示以进行掩码解码器适应。同时，我们设计了一个直方图均衡化适配器模块，用于为图像编码器适应注入图像特定信息。结果和分析显示了我们开发的基准和算法的挑战和优越性。项目页面：\url{https://github.com/zhang-chenxu/LSM-Adapter}。

论文旨在解决城市内涝对公共安全和基础设施的威胁，提出了一种基于深度学习和监控摄像头图像的水浸检测方法。该方法需要克服数据稀缺和恶劣环境等问题。

论文提出了一种LSM-adapter模型，该模型将大模型的通用分割能力与小模型的特定任务指导相结合，通过三重S提示适配器模块和动态提示组合器生成并合并多个提示，同时设计了直方图均衡化适配器模块，将图像特定信息注入图像编码器适应。

论文建立了一个具有多种恶劣条件的城市内涝基准（UW-Bench）来推进实际应用。实验结果表明，LSM-adapter模型在该基准上表现优越，论文提供了开源代码和项目页面。

最近的相关研究包括基于深度学习的图像分割方法、基于水位传感器的水浸检测方法等。