BDANet: شبكة عصبية تقنية التعلم العميق متعددة المقياس مع انتباه متقاطع لتقدير أضرار المباني من الصور القمرية الصناعية

عندما تضرب كارثة طبيعية (مثل الزلازل، الأعاصير، إلخ)، يتطلب الأمر استجابة سريعة وفعالة. يعد تقييم أضرار المباني من خلال الصور القمرية أمراً حاسماً قبل نشر جهود الإغاثة. باستخدام زوج من الصور القمرية قبل وبعد الكارثة، يهدف تقييم أضرار المباني إلى التنبؤ بحجم الأضرار التي لحقت بالمباني. لقد تم تطبيق الشبكات العصبية العميقة بنجاح في تقييم أضرار المباني بفضل قدرتها القوية على تمثيل الخصائص. ومع ذلك، فإن معظم الأعمال الحالية تقوم ببساطة بتجميع الصور القمرية قبل وبعد الكارثة كمدخل للشبكة العصبية العميقة دون النظر إلى علاقاتها.في هذا البحث، نقترح شبكة عصبية تقنية جديدة ذات مرحلتين للمساهمة في تقييم أضرار المباني، والتي نطلق عليها اسم BDANet (Building Damage Assessment Network). في المرحلة الأولى، يتم استخدام U-Net لاستخراج مواقع المباني. ثم يتم مشاركة أوزان الشبكة من المرحلة الأولى في المرحلة الثانية لتقييم أضرار المباني. في المرحلة الثانية، يتم استخدام U-Net متعدد المقاييس ذو الفرعين كعمود فقري للشبكة، حيث يتم إدخال الصور القمرية قبل وبعد الكارثة بشكل منفصل. كما تم اقتراح وحدة انتباه متقاطعة الاتجاهات لاكتشاف العلاقات بين الصور القمرية قبل وبعد الكارثة. بالإضافة إلى ذلك، يتم استخدام تقنية تعزيز البيانات CutMix للتغلب على تحدي الفئات الصعبة.يحقق الطريقة المقترحة أفضل الأداء على مجموعة بيانات كبيرة -- xBD (xBulk Damage). يمكن الوصول إلى الرمز البرمجي عبر الرابط: https://github.com/ShaneShen/BDANet-Building-Damage-Assessment.