BDANet: Multiskalen-Faltungss neuronales Netzwerk mit kreuzrichtigem Aufmerksamkeitsmechanismus zur Schadensbewertung von Gebäuden auf Satellitenbildern

Schnelle und effektive Reaktionen sind erforderlich, wenn eine Naturkatastrophe (z.B. Erdbeben, Hurrikan usw.) eintritt. Die Bewertung von Gebäudeschäden anhand von Satellitenbildern ist entscheidend, bevor Hilfsmaßnahmen eingeleitet werden. Mit einem Paar von vor- und nach der Katastrophe aufgenommenen Satellitenbildern zielt die Bewertung von Gebäudeschäden darauf ab, den Umfang der Schäden an Gebäuden vorherzusagen. Dank ihrer leistungsstarken Fähigkeit zur Merkmalsrepräsentation wurden tiefe Neuronale Netze erfolgreich in der Gebäudebeschädigungsanalyse eingesetzt. Die meisten bisherigen Arbeiten fügen einfach nur die vor- und nach der Katastrophe aufgenommenen Bilder zusammen als Eingabe für ein tiefes neuronales Netzwerk, ohne ihre Korrelationen zu berücksichtigen. In dieser Arbeit schlagen wir ein neues zweistufiges konvolutions neuronales Netzwerk für die Bewertung von Gebäudeschäden vor, das BDANet genannt wird. Im ersten Stadium wird ein U-Net verwendet, um die Positionen der Gebäude zu extrahieren. Anschließend werden die Netzwerkgewichte des ersten Stages im zweiten Stadium für die Bewertung von Gebäudeschäden geteilt. Im zweiten Stadium dient ein zweigängiges multiskalares U-Net als Rückgrat, wobei die vor- und nach der Katastrophe aufgenommenen Bilder getrennt in das Netzwerk eingespeist werden. Ein kreuzrichtiger Aufmerksamkeitsmodul wurde vorgeschlagen, um die Korrelationen zwischen den vor- und nach der Katastrophe aufgenommenen Bildern zu untersuchen. Darüber hinaus wird CutMix-Datenverstärkung genutzt, um die Herausforderungen schwieriger Klassen zu bewältigen. Die vorgeschlagene Methode erzielt Spitzenleistungen auf einem großen Datensatz – xBD. Der Code ist unter https://github.com/ShaneShen/BDANet-Building-Damage-Assessment verfügbar.