Comprehensive Semantic Segmentation on High Resolution UAV Imagery for Natural Disaster Damage Assessment
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）；Texas A&M University（德克萨斯A&M大学）
在本文中，我们提出了一个大规模的飓风迈克尔数据集，用于灾难场景中的视觉感知，并分析了最先进的深度神经网络模型，用于语义分割。该数据集由大约2000幅高分辨率航空图像组成，并带有用于语义分割的注释地面实况数据。我们讨论了数据集的挑战和训练国家的最先进的方法在这个数据集上，以评估如何以及这些方法可以识别的灾害情况。最后，我们讨论了未来研究的挑战。
2020-09-06 cs.CV
MSNet: A Multilevel Instance Segmentation Network for Natural Disaster Damage Assessment in Aerial Videos
Carnegie Mellon University（卡内基梅隆大学）
在本文中，我们研究的问题，有效地评估建筑物损坏后，自然灾害，如飓风，洪水或火灾，通过航空视频分析。我们做出了两个主要贡献。第一个贡献是一个新的数据集，由来自社交媒体的用户生成的空中视频组成，并带有实例级建筑损坏遮罩的注释。这为定量评估模型提供了第一个基准，以使用航空视频评估建筑物损坏。第二个贡献是一个新的模型，即MSNet，其中包含新的区域建议网络设计和一个无监督的分数细化网络的置信度评分校准在限界框和掩码分支。我们表明，与我们数据集中以前的方法相比，我们的模型实现了最先进的结果。我们将发布我们的数据、模型和代码。
2020-12-31 cs.CV
RescueNet: A High Resolution UAV Semantic Segmentation Benchmark Dataset for Natural Disaster Damage Assessment
Lehigh University（理海大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Texas A & M University（德克萨斯农工大学）
本研究提出了名为RescueNet的高分辨率无人机灾后语义分割基准数据集，包含多类像素级标注，并通过主流分割模型验证了其在自然灾害损害评估中的应用价值。
2024-05-17 cs.CV
xBD: A Dataset for Assessing Building Damage from Satellite Imagery
Carnegie Mellon University（卡内基梅隆大学）；Software Engineering Institute（软件工程研究所）；Defense Innovation Unit（国防创新部门）；Department of Defense（国防部）；CrowdAI, Inc.（CrowdAI公司）
我们提出了xBD，一个新的，大规模的数据集，用于人道主义援助和灾难恢复研究的变化检测和建筑物损坏评估的进步。自然灾害响应需要准确了解受灾地区受损的建筑物。目前的应对战略要求在灾害发生后24-48小时内进行现场损失评估。将航空图像与计算机视觉算法相结合，以评估损害并减少对人类生命的潜在危险，这方面存在着巨大的潜力。xBD与多个灾害响应机构合作，提供各种灾害事件的事件前和事件后卫星图像，包括建筑物多边形，损坏程度的顺序标签和相应的卫星元数据。此外，数据集包含环境因素（如火、水和烟）的边界框和标签。xBD是迄今为止最大的建筑物损坏评估数据集，包含45，362 km \textsuperscript{2}图像中的850，736个建筑物注释。
2019-11-21 cs.CV
Generalizable Disaster Damage Assessment via Change Detection with Vision Foundation Model
School of Computing, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院计算学院）；College of Business, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院商学院）；Graduate School of Data Science, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院数据科学研究生院）；Division of Social Science, Hong Kong University of Science and Technology (HKUST)（香港科技大学社会科学部）；Max Planck Institute for Security and Privacy (MPI-SP)（马克斯·普朗克安全与隐私研究所）
提出DAVI方法，结合视觉基础模型与两阶段细化，无需目标区域标签即可在建筑级别检测灾害损伤，跨地域和灾害类型表现优异。
2025-01-20 cs.CV
3D Semantic Segmentation for Post-Disaster Assessment
Lehigh University（莱文斯顿大学）
本文提出利用无人机拍摄的灾后影像构建专用3D数据集，并评估现有模型在灾后场景中的局限性，强调了改进3D分割技术与开发专用基准数据集的必要性。
2025-12-31 cs.CV cs.LG
HASTE: A Platform for Rapid Post-Disaster Building Damage Assessment
Microsoft AI for Good Research Lab（微软人工智能造福研究实验室）
HASTE平台可快速进行灾后建筑物损坏评估。它有两种方法，一种通过用户标记多边形训练语义分割模型，另一种利用预训练视觉模型和逻辑回归。实验表明其能仅用灾后图像区分受损与完好建筑，已支持多次实际灾难应对。
2026-07-14 cs.CV
Building-Guided Pseudo-Label Learning for Cross-Modal Building Damage Mapping
Wuhan University（武汉大学）
本文提出建筑引导伪标签学习框架，融合灾前光学与灾后SAR影像，通过建筑先验引导低不确定性伪标签精化，在2025 IEEE GRSS竞赛中以54.28% mIoU夺冠。
2025-05-08 cs.CV
Satellite to Street : Disaster Impact Estimator
Engineering Vellore Institute of Technology, AP Guntur, India（工程维洛雷理工学院，AP古尔图，印度）；Engineering Vellore Institute of Technology, AP Ongole, India（工程维洛雷理工学院，AP翁戈尔，印度）；Engineering Vellore Institute of Technology, AP Vijayawada, India（工程维洛雷理工学院，AP维杰亚瓦达，印度）
本文提出Satellite-to-Street框架，通过分析灾前灾后卫星图像生成像素级损毁地图，采用改进的双输入U-Net架构和类感知加权损失函数，提升对损毁区域的分类精度，实现更精确的灾害影响分析。
2026-03-21 cs.AI cs.CV
OPTNet: Ordering Point Transformer Network for Post-disaster 3D Semantic Segmentation
Computer Science and Engineering, Lehigh University, Bethlehem PA 18015, US（计算机科学与工程系，莱维大学，贝特莱姆 PA 18015，美国）；Civil and Environmental Engineering, Lehigh University, Bethlehem PA 18015, US（土木与环境工程系，莱维大学，贝特莱姆 PA 18015，美国）
本文提出OPTNet，一种通过可学习的点排序模块动态预测最优排列以提高注意力机制局部性的网络，用于灾后3D点云语义分割。
2026-05-16 cs.CV cs.LG
Rapid post-disaster infrastructure damage characterisation enabled by remote sensing and deep learning technologies -- a tiered approach
University of Birmingham（伯明翰大学）；Centre for Research and Technology Hellas (CERTH)（希腊研究与技术中心）；Lviv National Polytechnic University（利沃夫国立理工大学）；University of Agriculture in Krakow（克拉科夫农业大学）；Brunel University London（伦敦布鲁内尔大学）
针对灾后关键基础设施多尺度损伤评估需求，提出融合Sentinel-1 SAR、众包数据与深度学习高分辨率影像的分层方法，并在乌克兰17座受损桥梁上验证。
2024-04-12 cs.CV eess.IV
Dwelling Type Classification for Disaster Risk Assessment Using Satellite Imagery
Microsoft（微软）；SEEDS；Gramener
社区的脆弱性和风险评估对于有效的备灾至关重要。现有的传统系统，由于依赖于耗时和成本密集的实地调查，不提供一个可扩展的方式来破译警告和评估的准确程度的风险在超地方一级。在这项工作中，机器学习被用来自动识别住宅及其类型的过程，以建立一个可能更有效的灾害脆弱性评估系统。首先，利用印度低收入住区和脆弱地区的卫星图像确定了7种不同的居住类型。具体来说，我们制定了住宅类型分类作为一个语义分割任务，并训练了一个基于U-网的神经网络模型，即TernausNet，与我们收集的数据。然后采用风险评分评估模型，使用确定的住宅类型以及该地区的淹没模型。整个管道在2020年印度发生自然灾害之前部署到多个地点。收集了来自这些地区的事后地面实况数据，以验证该模型的有效性，该模型显示出良好的性能。这项工作可以通过提供家庭级别的风险信息来帮助灾害响应组织和处于风险中的社区，这些信息可以为先发制人的行动提供信息。
2022-11-16 cs.AI cs.CV cs.LG
Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment
The University of Manchester（曼彻斯特大学）
在飓风和海啸等自然灾害发生后，卫星图像是一种极为宝贵的资源，可用于风险评估和灾害管理。为了提供及时和可操作的灾害响应信息，本文提出了一个框架，利用分段神经网络来确定受灾地区和可进入的道路在灾后的情况。分析了ImageNet预训练在航空图像分割任务中的有效性，并比较了流行的分割模型的性能。实验结果表明，ImageNet上的预训练通常会提高许多模型的分割性能。OpenStreetMap（OSM）提供的开放数据用于训练，无需耗时的手动注释。该方法还利用图论来更新OSM提供的道路网络数据，并检测自然灾害引起的变化。对2018年袭击印度尼西亚帕卢的海啸数据进行的广泛实验表明了拟议框架的有效性。与ENet相比，ENetSeparable的参数减少了30%，实现了与最先进网络相当的分割结果。
2020-06-10 cs.CV eess.IV
Image Prior and Posterior Conditional Probability Representation for Efficient Damage Assessment
City College of New York（纽约市立学院）；Air Force Research Lab（空军研究实验室）；Stony Brook Univ.（石溪大学）
本文提出IP2CP表示，将灾前灾后图像编码为单图，结合深度学习实现高效损毁评估，在语义分割和全局分类中表现优异。
2023-10-26 cs.CV
From Satellite Imagery to Disaster Insights
CrowdAI（CrowdAI公司）；Facebook（脸书）
33.卫星图像在灾害监测和应对方面的使用日益普遍。灾害发生后，重要的是要确定救援行动、灾害应对和协调救灾工作的优先次序。这些工作必须以快速有效的方式进行，因为受灾地区的资源往往有限，确定损失最大的地区极为重要。然而，大多数现有的灾害绘图工作都是手工进行的，这很耗时，而且往往导致错误的结果。为了解决这些问题，我们提出了一个变化检测的框架，使用卷积神经网络（CNN）的卫星图像，然后可以阈值和聚类到一起的网格，以找到最严重的灾害影响的地区。我们还提出了一个新的指标，称为灾害影响指数（DII），并使用它来量化两个自然灾害的影响-哈维飓风洪水和圣罗莎火灾。我们的框架在网格化洪水数据集上获得了81.2%的F1得分，在网格化火灾数据集上获得了83.5%的F1得分。
2018-12-17 cs.CV cs.CY cs.LG
From Pixels to Damage Severity: Estimating Earthquake Impacts Using Semantic Segmentation of Social Media Images
Georgia Institute of Technology（佐治亚理工学院）；Arup（奥雅纳）
本研究将震后社交媒体图像损坏评估从分类转为语义分割，构建三级损坏数据集并微调SegFormer，结合深度估计提出新的损坏评分系统，实现更客观全面的损坏量化，以指导灾后精准响应。
2025-07-03 cs.CV cs.SI
RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery
University of Central Florida（中佛罗里达大学）
关于建筑物受损程度的准确和精细信息对于在任何自然灾害发生后立即指导人道主义援助和灾害响应（HADR）行动至关重要。近年来，卫星和无人机（无人机）图像已被用于此目的，有时由计算机视觉算法辅助。现有的用于建筑物损坏评估的计算机视觉方法通常依赖于两阶段方法，包括使用目标检测模型的建筑物检测，然后通过对检测到的建筑瓦片进行分类来进行损坏评估。这些多阶段方法不是端到端可训练的，并且遭受较差的总体结果。我们提出了RescueNet，这是一个统一的模型，可以同时分割建筑物并评估单个建筑物的损坏程度，并且可以端到端进行训练。为了模拟这个问题的复合性质，我们提出了一种新的本地化意识的损失函数，它包括一个二进制交叉熵损失的建筑分割，和前景只选择性分类交叉熵损失的损害分类，并显示出显着的改善，广泛使用的交叉熵损失。RescueNet在大规模和多样化的xBD数据集上进行了测试，与以前的方法相比，它实现了更好的建筑物分割和损坏分类性能，并在不同的地理区域和灾害类型中实现了泛化。
2020-04-15 cs.CV eess.IV
FloodNet: A High Resolution Aerial Imagery Dataset for Post Flood Scene Understanding
University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）；Texas A&M University（得克萨斯农工大学）
在任何计算机视觉系统中，视觉场景理解都是做出任何重要决策的核心任务。虽然流行的计算机视觉数据集，如Cityscapes，MS-COCO，PASCAL提供了很好的基准的几个任务（例如图像分类，分割，目标检测），这些数据集几乎不适合灾后损失评估。另一方面，现有的自然灾害数据集主要包括空间分辨率低、重访周期长的卫星图像。因此，它们没有能力提供快速和有效的损害评估任务。无人机（UAV）可以在任何灾难期间毫不费力地进入困难的地方，并收集上述计算机视觉任务所需的高分辨率图像。为了解决这些问题，我们提出了一个高分辨率的无人机图像，洪水网，飓风哈维后捕获。该数据集显示了受影响地区的洪水后损害。图像被标记为逐像素的语义分割任务和问题产生的视觉问答的任务。FloodNet带来了一些挑战，包括检测被淹没的道路和建筑物，以及区分自然水和洪水。随着深度学习算法的进步，我们可以分析任何灾害的影响，从而可以对受灾地区进行精确的了解。在本文中，我们比较和对比基线方法的性能，图像分类，语义分割，视觉问答在我们的数据集。
2020-12-05 cs.CV
Comparison of object detection methods for crop damage assessment using deep learning
North Carolina State University（北卡罗来纳州立大学）；Colaberry Inc（Colaberry公司）；Iowa State University（爱荷华州立大学）
恶劣的天气事件可能给农民造成巨大的经济损失。有关受损位置和严重程度的详细信息将有助于农民、保险公司和灾害应对机构做出明智的灾后决策。本研究的目标是使用计算机视觉和深度学习技术从航空图像中检测受损作物区域的概念验证。一个具体的目标是比较现有的目标检测算法，以确定哪一个是最适合农作物损害检测。模拟了玉米生产中常见的两种作物受害模式：最低穗部茎秆倒伏和地面茎秆倒伏。模拟损伤用于创建训练和分析数据集。一个无人驾驶航空系统（UAS）配备了RGB相机用于图像采集。评估了三种流行的对象检测器（Faster R-CNN，YOLOv 2和RetinaNet）检测现场受损区域的能力。平均精度用于比较目标探测器。YOLOv 2和RetinaNet能够在多个季末生长阶段检测作物损害。更快的R-CNN没有像其他两个先进的检测器那样成功。检测作物在生长后期的损害是更困难的所有测试对象检测器。杂草压力在模拟损害图和增加目标密度增加了额外的复杂性。
2020-04-22 cs.CV cs.LG eess.IV
EIDSeg: A Pixel-Level Semantic Segmentation Dataset for Post-Earthquake Damage Assessment from Social Media Images
针对现有震后损伤评估依赖高成本航空影像、缺乏地面图像像素级标注数据集的问题，本文构建EIDSeg震后社交媒体影像语义分割数据集，提出跨学科标注规范并开展基准测试，为更快速细粒度的震损评估提供支撑。
2025-11-13 cs.CV
Improving Emergency Response during Hurricane Season using Computer Vision
Accenture（埃森哲）
我们开发了一个危机响应和管理框架，其中融合了计算机视觉（CV）、内陆洪水预测、损失评估和数据可视化方面的最新技术。该框架利用危机前、危机期间和危机后收集的数据，在灾害应对的所有阶段做出快速和知情的决策。我们的计算机视觉模型分析星载和机载图像，以检测自然灾害期间和之后的相关特征，并创建元数据，通过网络可访问的地图工具将其转换为可操作的信息。特别是，我们设计了一套模型来识别图像中的特征，包括水，道路，建筑物和植被。我们已经研究了引导和减少对大数据注释工作的依赖的技术，方法是增加使用开源标签，包括OpenStreetMaps，并添加补充数据源，包括最近排水高度（HAND）作为网络输入的侧通道，以鼓励它学习与视觉特征正交的其他功能。建模工作包括修改连接的U型网络，用于（1）语义分割，（2）洪水线检测，以及（3）损害评估。特别是在损害评估的情况下，我们为U-Net添加了第二个编码器，以便它可以同时学习事件前和事件后的图像特征。通过这种方法，网络能够学习灾前和灾后图像之间的差异，从而更有效地对损坏程度进行分类。我们已经使用来自美国国家海洋和大气管理局（NOAA）遥感部门的公开数据验证了我们的方法，该部门将城市和街道级别的细节显示为马赛克图像以及作为Xview2挑战的一部分发布的数据。
2020-09-08 cs.CV eess.IV
Shortcut Learning in Geospatial Foundation Model Embeddings for Cross-Disaster Damage Assessment
KTH Royal Institute of Technology（KTH皇家理工学院）；Division of Geoinformatics（地理信息学系）
该研究针对跨灾害损失评估，发现地理空间基础模型嵌入存在捷径学习问题，测试了多种模型在多灾害数据集上的表现，提出特征变换可提升模型对未见过灾害的泛化能力。
2026-10-12 cs.CV cs.LG
Disaster mapping from satellites: damage detection with crowdsourced point labels
Lancaster University（兰卡斯特大学）；University of Bath（巴斯大学）；University of Oxford（牛津大学）
灾害事件发生后立即提供的高分辨率卫星图像对于响应规划至关重要，因为它有助于对关键基础设施状况（如建筑物损坏、洪水和通道障碍）的广泛情况了解。这种规模的破坏测绘将需要数百个专家工时。然而，众包和深度学习的最新进展相结合，将实时的所需的工作量减少到了几个小时。要求志愿者放置点标记，而不是实际受损区域的形状，大大减少了灾难期间响应所需的分析时间。然而，不同的志愿者可能在他们的标记不一致。这项工作提出了聚合潜在的不一致的损伤标记训练一个神经网络损伤检测器的方法。
2021-11-05 cs.CV cs.LG eess.IV
Satellite imagery analysis for operational damage assessment in Emergency situations
Skolkovo institute of Science and technology（斯科尔科沃科学技术研究院）；Moscow（莫斯科）
当重大灾害发生时，人们提出了如何及时估计损失以支持地方当局或人道主义小组的决策过程和救灾工作的问题。在本文中，我们考虑使用机器学习和计算机视觉的遥感图像，以提高时间效率的评估受损建筑物在受灾地区。我们提出了一个通用的工作流程，可以在各种灾害管理应用程序中是有用的，并演示了使用所提出的工作流程在加利福尼亚州的野火在2017年造成的损失的评估。
2018-02-19 cs.CV cs.LG
Robust Building Damage Detection in Cross-Disaster Settings Using Domain Adaptation
School of Computing（计算机学院）
本文提出一种两阶段集成方法，利用监督领域自适应（SDA）在四个严重程度类别中进行建筑损坏分类，通过SDA适应xView2方法到Ida-BD数据集，验证了SDA在跨区域检测中的关键作用，最终达到宏F1值0.5552。
2026-05-09 cs.AI cs.CV cs.LG
Assessing out-of-domain generalization for robust building damage detection
Institute of Computer Science（计算机科学研究所）；Campus Institute Data Science（校园数据科学研究所）；University of Goettingen（哥廷根大学）
限制自然灾害负面影响的一个重要步骤是在灾害发生后迅速评估损失。例如，可以通过将计算机视觉技术应用于卫星图像来自动进行建筑物损坏检测。这种模型在多域环境中运行：每一场灾害都有本质上的不同（新的地理位置，独特的环境），模型必须能够适应可用于培训的灾害图像和新事件图像之间的分布变化。因此，估计真实世界的性能需要域外（OOD）测试集。然而，迄今为止，建筑物损伤检测模型主要是在简单但不切实际的分布（IID）测试设置进行评估。在这里，我们认为，未来的工作应该集中在面向对象的制度。我们评估了两个竞争性损伤检测模型的OOD性能，发现现有的最先进的模型显示出很大的泛化差距：当对训练过程中未使用的新灾害进行OOD评估时，它们的性能会下降。此外，IID性能不能预测OOD性能，这使得当前的基准测试无法提供有关真实世界性能的信息。代码和型号重量可在https://github.com/ecker-lab/robust-bdd上获得。
2020-11-20 cs.CV cs.LG
Localizing and Quantifying Damage in Social Media Images
Kansas State University（堪萨斯州立大学）；Qatar Computing Research Institute（卡塔尔计算研究所）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
传统的灾后损失评估严重依赖昂贵的GIS数据，特别是遥感图像数据。近年来，社交媒体已成为一个丰富的灾害信息来源，可能有助于以较低的成本评估损失。这种信息包括文本（例如，推特）或灾难目击者发布的图像。大多数现有的研究探讨了使用文本来识别对灾害响应团队有用的态势感知信息。使用社交媒体图像评估灾害损失的情况有限。在本文中，我们提出了一种新的方法，基于卷积神经网络和类激活映射，定位灾害图像中的损害和量化的损害程度。我们提出的方法使社会网络图像的灾后损失评估，并提供了一个廉价和可行的替代更昂贵的GIS方法。
2018-06-09 cs.CV
VQA-Aid: Visual Question Answering for Post-Disaster Damage Assessment and Analysis
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
与无人机相结合的可视化问答系统对提高灾后损失评估的目的具有很大的潜力。向受影响地区提供援助在很大程度上取决于实时数据评估和分析。可视化问答的范围是了解场景，并提供与查询相关的答案，这肯定会加快灾难后的恢复过程。在这项工作中，我们解决的重要性，\textit{visual question answering (VQA)}任务的灾后损失评估，提出我们最近开发的VQA数据集称为\textit{HurMic-VQA}收集在飓风迈克尔，并比较基准VQA模型的性能。
2021-06-19 cs.CV
Automatic Quantification of Settlement Damage using Deep Learning of Satellite Images
SATM, Cranfield University（克兰菲尔德大学SATM（需确认SATM具体含义，此处保留英文））；Alan Turing Institute（艾伦图灵研究所）
人道主义灾难和政治暴力对我们的生存空间造成重大破坏。房屋、基础设施和生态系统的修复成本往往难以实时量化。实时量化对于为救济行动提供信息和提前规划重建工作都至关重要。在这里，我们使用世界各地的重大危机之前和之后的卫星图像来训练鲁棒的基线残差网络（ResNet）和灾害量化金字塔场景解析网络（PSPNet）。ResNet对图像质量差的情况具有鲁棒性，可以高精度地识别破坏区域（92%），而PSPNet提供了对建筑环境破坏的情境化量化，具有良好的精度（84%）。由于有多个损害维度需要考虑（例如经济损失和死亡人数），我们拟合了一个多元线性回归模型来量化整体损害。为了验证我们的深度学习和回归建模的组合系统，我们成功地将我们的预测与2020年贝鲁特港口爆炸的持续复苏相匹配。这些创新提供了更好的灾害总体规模量化，并向智能人道主义系统通报正在发生的灾害。
2020-10-12 cs.CV cs.LG
DamageCAT: A Deep Learning Transformer Framework for Typology-Based Post-Disaster Building Damage Categorization
本文提出DamageCAT框架，通过构建BD-TypoSAT数据集和分层U-Net Transformer架构，实现基于类型学的灾后建筑损坏分类，提供比传统方法更具可操作性的评估以支持应急响应。
2025-08-08 cs.CV
Keep Your Friends Close, and the Right Neighbours Closer: Disaster-Conditioned Kernel-Regularized Graph Attention for Building Damage Classification
University of Waterloo（滑铁卢大学）
针对建筑损坏分类的空间上下文误用问题，提出灾害条件核正则化图注意力方法，结合残差去相关损失，在xBD数据集上提升宏F1并降低残差空间自相关，实现可靠的跨事件迁移。
2026-08-24 cs.CV cs.LG
Hyperlocal disaster damage assessment using bi-temporal street-view imagery and pre-trained vision models
Department of Geography, Texas A&M University（地理系，德克萨斯A&M大学）；Department of Geography, Pennsylvania State University（地理系，宾夕法尼亚州立大学）；Department of Geography and Sustainability, University of Tennessee（地理与可持续发展系，田纳西大学）；Spatial Sciences Institute, University of Southern California（空间科学研究所，南加州大学）
本文研究利用双时相街景图像和预训练视觉模型，通过引入预灾图像作为无损类别，提升模型在损害分级中的性能，并设计双通道算法评估超局部灾害损害，实验表明双通道特征融合模型准确率提升显著。
2025-04-12 cs.CV
Beyond Damage Assessment: Recyclable Material Detection in Aerial Disaster Imagery Using a Lightweight Patch-Based Framework
Independent Researcher（独立研究员）
提出一种轻量级补丁框架，用于从航空灾害图像中高效检测可回收材料，并提供了首个公开标注的可回收材料数据集。
2026-06-23 cs.CV
RAPID: A Reproducible Multi-Agent Pipeline for Interpretable Disaster Damage Assessment from Satellite and Street-View Imagery
National University of Singapore（新加坡国立大学）；The University of Alabama（阿拉巴马大学）
提出RAPID，一种可复现的多智能体管道，无需任务特定微调即可实现零样本灾害损害评估，通过跨视图理解、图像恢复和结构化识别生成可解释的评估报告，在多种灾害中达到0.92的分类准确率。
2026-06-23 cs.CV
Damage Assessment after Natural Disasters with UAVs: Semantic Feature Extraction using Deep Learning
University of Peradeniya（佩拉德尼亚大学）；Multidisciplinary AI Research Centre, University of Peradeniya（佩拉德尼亚大学多学科人工智能研究中心）；Vega Innovations（维加创新公司）；Queensland University of Technology (QUT)（昆士兰科技大学）
本文提出一种可机载执行的语义提取器，用于无人机灾后评估，在FloodNet和RescueNet数据集上验证，能减少传输数据量并保持高精度。
2024-12-14 cs.CV cs.LG
Natural Disaster Classification using Aerial Photography Explainable for Typhoon Damaged Feature
Research Institute for Infrastructure Paradigm Shift, Yachiyo Engineering Co., Ltd.（八千代工程公司基础设施范式转变研究所）
近年来，由于气候变化，台风灾害已成为一个社会问题。2019年9月9日，台风法西经过日本千叶，由于录得最高每秒45米的强风，造成包括电力供应中断在内的损失。大量的树木倒下，邻居的电线杆也同时倒下。这些灾难特性导致恢复时间比过去长18天。快速反应对于更快恢复至关重要。只要我们能够，就需要对受灾地区进行全球筛查的航空调查，以支持决策，从而对未来的恢复做出反应。针对台风灾害特点，提出了一种利用航空摄影进行受灾区域可视化的实用方法。该方法可以将未破坏的土地覆盖和已发生灾害的土地覆盖划分为8类。使用目标特征类概率，我们可以可视化灾害特征图以缩放颜色范围。此外，我们可以在每个单元网格图像上实现可解释的映射，以使用Grad-CAM计算卷积激活映射。我们展示的案例研究适用于航空照片记录在千叶地区台风后。
2020-11-16 cs.CV cs.LG eess.IV
Deep-Disaster: Unsupervised Disaster Detection and Localization Using Visual Data
Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））；Semnan University（塞姆南大学）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
社交媒体在分享重要信息方面发挥着重要作用，这有助于人道主义组织在灾害事件期间和之后开展救援行动。然而，开发一种有效的方法，可以在灾难发生的早期提供对社交媒体图像的快速分析，在很大程度上仍然是一个悬而未决的问题，主要是由于缺乏合适的数据集和这项任务的复杂性。此外，监督方法不能很好地推广到新的灾害事件。在本文中，受知识蒸馏（KD）方法成功的启发，我们提出了一种无监督的深度神经网络来检测和定位社交媒体图像中的损坏。我们提出的KD架构是一种基于特征的蒸馏方法，包括一个预先训练的教师和一个较小的学生网络，这两个网络具有类似的GAN架构，包含一个生成器和一个学习器。学生网络经过训练，以模仿教师在训练输入样本上的行为，这些样本包含不包括任何受损区域的图像。因此，学生网络仅学习未损坏数据的分布，并且将具有与教师网络面对损坏时不同的行为。为了检测损坏，我们利用两个网络生成的特征之间的差异，使用定义的评分函数来证明损坏发生的概率。我们在基准数据集上的实验结果证实，我们的方法在检测和定位受损区域方面优于最先进的方法，特别是对于新的灾害类型。
2022-01-31 cs.CV
Rapid building damage assessment workflow: An implementation for the 2023 Rolling Fork, Mississippi tornado event
Microsoft AI for Good Research Lab（微软人工智能向善研究实验室）；Microsoft Philanthropies（微软慈善）；American Red Cross（美国红十字会）
针对灾后建筑损毁自动化评估面临的损毁差异大、影像多样、标注数据不足等问题，本文提出人在环路快速训练工作流，在2023年罗灵福克龙卷风案例中实现0.86精确率、0.80召回率，单场景端到端耗时不足2小时，具备实时部署潜力。
2023-08-24 cs.CV cs.LG
Multi-view deep learning for reliable post-disaster damage classification
Texas A&M University（得克萨斯农工大学）
这项研究旨在使用人工智能（AI）和多视图图像实现更可靠的灾后建筑物损坏自动分类。目前采用人工智能进行灾后损失评估的实践和研究工作通常是（a）定性的，缺乏基于标准损失等级的建筑物损失等级的精细分类，以及（b）基于具有有限视图的航空或卫星图像进行培训，虽然具有指示性，但不能完全描述损失等级。为了能够更准确和可靠地自动量化损坏程度，本研究建议使用更全面的视觉数据，形式是建筑物的多个地面和空中视图。为了具有这种空间感知的损坏预测模型，使用多视图卷积神经网络（MV-CNN）架构，其组合来自损坏建筑物的不同视图的信息。这种空间3D背景损伤信息将导致更准确的损伤识别和可靠的损伤水平量化。所提出的模型进行了训练和验证侦察视觉数据集包含专家标记，地理标记的图像检查建筑物飓风哈维。开发的模型在预测损失水平方面表现出相当好的准确性，可用于支持更明智和可靠的人工智能辅助灾害管理实践。
2022-08-06 cs.AI cs.CV
Instruct-ICL: Instruction-Guided In-Context Learning for Post-Disaster Damage Assessment
本文提出Instruct-ICL方法，通过指令引导的上下文学习提升预训练多模态大语言模型在灾后视觉问答中的可靠性，实验表明结合CoT推理能显著提高回答准确性。
2026-05-12 cs.CV cs.LG
Assessing Post-Disaster Damage from Satellite Imagery using Semi-Supervised Learning Techniques
Google Research（谷歌研究院）；Stanford University（斯坦福大学）；United Nations World Food Programme（联合国世界粮食计划署）
为了应对地震、野火和武装冲突等灾害，人道主义组织需要准确、及时的损失评估数据，以表明哪些建筑物和人口中心受到的影响最大。最近的研究将机器学习与遥感相结合，从卫星图像中自动提取此类信息，减少了人工劳动和周转时间。在真实的灾难响应场景中使用机器学习方法的一个主要障碍是难以获得足够数量的标记数据来训练正在发生的灾难的模型。本文提出了一种新的应用半监督学习（SSL）的训练模型的损伤评估与最小量的标记数据和大量的未标记数据。我们将最先进的SSL方法（包括MixMatch和FixMatch）的性能与2010年海地地震，2017年圣罗莎野火和2016年叙利亚武装冲突的监督基线进行了比较。我们展示了使用SSL方法训练的模型如何在仅使用一小部分标记数据的情况下达到完全监督的性能，并确定了进一步改进的领域。
2020-11-24 cs.CV cs.LG eess.IV
DisasterM3: A Remote Sensing Vision-Language Dataset for Disaster Damage Assessment and Response
The University of Tokyo（东京大学）；RIKEN AIP（理化学研究所AIP）；Waseda University（早稻田大学）；Stony Brook University（石溪大学）；Stanford University（斯坦福大学）
本文构建覆盖多灾种、多传感器和多任务的遥感视觉-语言数据集DisasterM3，并通过基准评测与微调验证其可提升VLM的灾害评估、推理及泛化能力。
2025-10-20 cs.CV
The Potential of Copernicus Satellites for Disaster Response: Retrieving Building Damage from Sentinel-1 and Sentinel-2
1 Photogrammetry \& Remote Sensing Lab, ETH Zurich 2 EcoVision Lab, Department of Mathematical Modeling；Machine Learning (DM3L), University of Zurich
本文探讨了Copernicus计划的中分辨率地球观测图像在建筑损毁评估中的应用，引入了xBD-S12数据集，展示了在多种灾害场景中通过Sentinel-1和Sentinel-2图像能够有效检测和映射建筑损毁，尽管地面采样距离为10米。
2026-03-24 cs.CV
BDANet: Multiscale Convolutional Neural Network with Cross-directional Attention for Building Damage Assessment from Satellite Images
当发生自然灾害（例如，地震、飓风等）罢工。在部署救援工作之前，从卫星图像评估建筑物损坏至关重要。建筑物损毁评估的目的是利用一对灾前和灾后的卫星图像，预测建筑物的损毁程度。深度神经网络具有强大的特征表示能力，已成功应用于建筑物损伤评估。大多数现有的工作只是将灾前和灾后的图像连接起来作为深度神经网络的输入，而没有考虑它们的相关性。在本文中，我们提出了一种新的两阶段卷积神经网络的建筑物损伤评估，称为BDANet。在第一阶段中，使用U-Net来提取建筑物的位置。然后，第一阶段的网络权值在第二阶段进行建筑物损伤评估。在第二阶段中，一个两分支的多尺度的U-网络作为骨干，在灾前和灾后的图像分别送入网络。提出了一个横向注意模块，以探索灾害前和灾后图像之间的相关性。此外，利用CutMix数据增强来应对困难类的挑战。该方法在大规模数据集xBD上实现了最先进的性能。该代码可在https://github.com/ShaneShen/BDANet-Building-Damage-Assessment上获得。
2021-05-16 cs.CV cs.LG eess.IV
Deploying Rapid Damage Assessments from sUAS Imagery for Disaster Response
本文提出了一种基于sUAS影像的AI/ML系统，用于在灾害响应中快速评估建筑物损害。
2025-12-13 cs.AI cs.CV cs.CY
Post-disaster building indoor damage and survivor detection using autonomous path planning and deep learning with unmanned aerial vehicles
The Hong Kong University of Science and Technology（香港科技大学）；University of British Columbia（不列颠哥伦比亚大学）；Stevens Institute of Technology（史蒂文斯理工学院）
针对灾后建筑室内搜救需求，提出融合自主导航、深度学习检测与低成本MAV的自主检查方法，并在模拟灾后办公楼中验证其高精度与应用潜力。
2025-03-13 cs.CV cs.RO
DamageArbiter: A Multimodal Arbitration Framework for Disaster Damage Assessment from Street-View Imagery
organization= Department of Geography, Texas A\&M University , city= College Station , country= USA；organization= Department of Landscape Architecture \& Urban Planning, Texas A\&M University , city= College Station , country= USA；organization= Department of Industrial；Systems Engineering, University of Florida , city= Gainesville , country= USA；organization= Spatial Sciences Institute, University of Southern California , city= Los Angeles , country= USA；organization= Department of Geography；Sustainability, University of Tennessee , city= Knoxville , country= USA
提出DamageArbiter多模态仲裁框架，通过轻量级逻辑回归元分类器仲裁单模态与多模态模型预测分歧，在2556张街景图像上将准确率提升至75.85%，MCC达0.6188，并将过度自信误差从70.58%降至16.45%。
2026-06-23 cs.CV
Multi-step feature fusion for natural disaster damage assessment on satellite images
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息研究所）
本研究针对自然灾害后建筑物损伤快速准确评估的需求，提出带多步特征融合模块及Fuse Module的新方法，在IDA-BD、xView2数据集上使Vision Transformer准确率提升超3个百分点。
2024-10-29 cs.CV
Cross-directional Feature Fusion Network for Building Damage Assessment from Satellite Imagery
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；Nanjing University of Science and Technology（南京理工大学）
当发生自然灾害（例如，地震、飓风等）罢工。在采取有效应对措施之前，利用卫星图像进行建筑物损坏评估至关重要。高分辨率卫星图像提供了丰富的灾前和灾后情况信息，可供分析。然而，大多数现有的作品只是使用灾前和灾后的图像作为输入，而不考虑它们的相关性。在本文中，我们提出了一种新的横向融合策略，以更好地探索灾害前和灾后图像之间的相关性。此外，利用数据增强方法CutMix来应对硬类的挑战。该方法在大规模建筑物损伤评估数据集xBD上取得了最佳的性能。
2020-11-18 cs.CV
Improved MambdaBDA Framework for Robust Building Damage Assessment Across Disaster Domains
Department of Computer Engineering, Istanbul Technical University（计算机工程系，伊斯坦布尔技术大学）；Division of Engineering, New York University Abu Dhabi（工程学院，纽约大学阿布扎比分校）
本文提出改进的MambaBDA框架，通过三个模块化组件提升跨灾难领域建筑损坏评估的鲁棒性和泛化能力。
2026-03-04 cs.CV
Multi-Modal Attention for Automated Disaster Damage Assessment Using Remote Sensing Imagery and Deep Learning
Built Environment Department, College of Science and Technology, North Carolina A&T State University（北卡罗来纳农工州立大学科技学院建筑环境系）；United Nations University Institute for Water, Environment and Health（联合国大学水、环境与健康研究所）
提出一种多模态注意力机制融合双时相遥感影像的深度学习框架，实现建筑物损伤四分类（无/轻微/严重/毁坏），准确率达94.90%。
2026-06-16 cs.AI cs.CV
Building Damage Detection in Satellite Imagery Using Convolutional Neural Networks
Google AI（谷歌人工智能）；UN World Food Programme（联合国世界粮食计划署）
在从地震到武装冲突的所有类型的灾害中，援助工作者都需要准确和及时的数据，如建筑物损坏和人口流离失所，以便采取有效的应对措施。遥感以前所未有的规模提供这一数据，但从卫星图像中提取可操作的信息是缓慢和劳动密集型的。在这项工作中，我们使用机器学习来自动检测卫星图像中的建筑物损坏。我们比较了四种不同的卷积神经网络模型在2010年海地地震中检测受损建筑物的性能。我们还通过对不同灾害事件的模型进行训练和测试，量化了模型在未来灾害中的泛化能力。
2019-10-14 cs.CV cs.LG eess.IV
Detecting natural disasters, damage, and incidents in the wild
Massachusetts Institute of Technology（麻省理工学院）；Universitat Oberta de Catalunya（加泰罗尼亚开放大学）；Qatar Computing Research Institute, HBKU（哈马德·本·哈利法大学卡塔尔计算研究所）
应对地震、洪水和野火等自然灾害是实地应急人员和分析人员执行的一项艰巨任务。社交媒体已成为快速了解灾害情况的低延迟数据源。虽然大多数关于社交媒体的研究仅限于文本，但图像为理解灾难和事件场景提供了更多信息。然而，不存在用于事件检测的大规模图像数据集。在这项工作中，我们提出了事件数据集，其中包含446，684张由人类注释的图像，涵盖了各种场景中的43个事件。我们采用了一个基线分类模型来减轻误报错误，并对来自Flickr和Twitter的数百万张社交媒体图像进行了图像过滤实验。通过这些实验，我们展示了如何使用事件数据集来检测野外事件图像。代码、数据和模型可在http://incidentsdataset.csail.mit.edu上获得。
2020-08-20 cs.CV
Damage Estimation and Localization from Sparse Aerial Imagery
Massachusetts Institute of Technology（麻省理工学院）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
航空图像为应对飓风等自然灾害提供了重要的态势感知。它们非常适合为损伤估计和定位（DEL）提供信息;即，描述灾害后损害的类型和空间范围。尽管最近在传感和无人驾驶航空系统技术方面取得了进展，但大部分灾后航空图像仍然是由小型载人固定翼飞机上的手持数码单反相机拍摄的。然而，这些手持相机缺乏IMU信息，并且图像是由操作员在事件发生后偶然拍摄的。因此，从这样的图像中删除仍然是一个高度手动和耗时的过程。我们提出了一种方法来检测航空图像中的损坏，并将其定位在世界坐标系中，具体侧重于检测和定位洪水。该方法是基于使用结构从运动相关的图像坐标世界坐标通过投影变换，使用类激活映射来检测图像中的损坏程度，并应用投影变换来定位损坏的世界坐标。我们评估了我们的方法在2016年路易斯安那州洪水事件后数据上的性能，发现我们的方法达到了88%的精度。鉴于这种高精度使用有限的数据，我们认为，这种方法是目前可行的快速和有效的DEL从手持航空影像灾害响应。
2021-11-10 cs.CV cs.LG eess.IV
