BDANet：用于卫星图像建筑物损伤评估的多尺度卷积神经网络与交叉方向注意力机制

在自然灾害（如地震、飓风等）发生时，需要快速有效的响应。在部署救援行动之前，从卫星图像中进行建筑物损坏评估至关重要。通过一对灾前和灾后的卫星图像，建筑物损坏评估旨在预测建筑物的受损程度。由于其强大的特征表示能力，深度神经网络已成功应用于建筑物损坏评估。然而，现有的大多数研究只是简单地将灾前和灾后图像拼接在一起作为深度神经网络的输入，而没有考虑它们之间的相关性。本文提出了一种新颖的两阶段卷积神经网络用于建筑物损坏评估，称为BDANet。在第一阶段，使用U-Net提取建筑物的位置。然后，将第一阶段的网络权重共享到第二阶段进行建筑物损坏评估。在第二阶段，采用双分支多尺度U-Net作为骨干网络，分别输入灾前和灾后图像。为了探索灾前和灾后图像之间的相关性，提出了一种交叉方向注意力模块。此外，利用CutMix数据增强技术解决了难以分类的问题。所提出的方法在大规模数据集xBD上达到了最先进的性能。代码可在https://github.com/ShaneShen/BDANet-Building-Damage-Assessment 获取。