BDANet : Réseau neuronal convolutif multiscale avec attention croisée directionnelle pour l'évaluation des dommages aux bâtiments à partir d'images satellites

Des réponses rapides et efficaces sont nécessaires lorsque se produit une catastrophe naturelle (par exemple, un séisme, un ouragan, etc.). L'évaluation des dommages aux bâtiments à partir d'images satellites est cruciale avant le déploiement des efforts de secours. À l'aide d'une paire d'images satellites pré- et post-catastrophe, l'évaluation des dommages aux bâtiments vise à prédire l'étendue des dégâts subis par les constructions. Grâce à leur puissante capacité de représentation des caractéristiques, les réseaux neuronaux profonds ont été appliqués avec succès à l'évaluation des dommages aux bâtiments. La plupart des travaux existants concatènent simplement les images pré- et post-catastrophe en entrée d'un réseau neuronal profond sans tenir compte de leurs corrélations. Dans cet article, nous proposons un nouveau réseau neuronal convolutif en deux étapes pour l'évaluation des dommages aux bâtiments, appelé BDANet. Dans la première étape, un U-Net est utilisé pour extraire les emplacements des bâtiments. Ensuite, les poids du réseau de la première étape sont partagés dans la deuxième étape pour l'évaluation des dommages aux bâtiments. Dans la deuxième étape, un U-Net multi-échelle à double branche est employé comme architecture principale, où les images pré- et post-catastrophe sont alimentées au réseau séparément. Un module d'attention bidirectionnel est proposé pour explorer les corrélations entre les images pré- et post-catastrophe. De plus, CutMix est utilisé pour la mise en œuvre de l'augmentation de données afin de relever le défi posé par les classes difficiles. La méthode proposée atteint des performances de pointe sur un grand ensemble de données -- xBD. Le code source est disponible sur https://github.com/ShaneShen/BDANet-Building-Damage-Assessment.