《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：ELDSAM: Enhancing SAM With Wavelet Domain Adapter Using Extremely Limited Data for Building Damage Change Detection
编辑推荐：
为了解决传统视觉基础模型在建筑损伤变化检测中对大规模标注数据依赖严重、应急响应慢等问题，研究人员提出ELDSAM方法，通过小波域适配器和反馈优化机制提升SAM性能，实现仅用16个标注样本即优于主流方案，对灾后评估具重要实践价值。
自然灾害后的建筑物损伤变化检测（Building Damage Change Detection, BDCD）就像在废墟中寻找希望的坐标——它不仅是灾情评估的核心，更是救援资源调配和重建规划的“眼睛”。然而，传统的遥感分析方法往往面临时效性差、人工解译效率低的问题。近年来，以Segment Anything Model（SAM，通用分割模型）为代表的视觉基础模型虽然展现出强大的图像理解潜力，但在应对BDCD任务时却显得“水土不服”：它们像一位需要大量“教材”才能学会特定技能的学生，极度依赖大规模标注数据。在灾后紧急场景中，高质量的标注样本往往稀缺且获取成本高昂，这导致现有方法难以快速响应，甚至因训练不足而漏判细微的结构损伤。
为了打破这一瓶颈，研究者将目光投向“轻量化适应”策略——能否在不改动SAM庞大参数的前提下，仅用极少量的标注数据，就让模型精准锁定建筑物的损伤变化？发表在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上的这项研究给出了肯定答案。团队提出了ELDSAM（Enhancing SAM with Wavelet Domain Adapter Using Extremely Limited Data）框架，核心思路是通过小波变换撬动频域信息的价值，让模型学会从极有限的样本中“举一反三”。
为了开展研究，作者首先构建了包含灾害前后遥感影像的建筑损伤数据集，其中训练集仅含16个标注样本。技术路径围绕三个关键模块展开：设计基于小波变换的多尺度频域适配器（WTAdapter），冻结SAM原始参数以避免破坏其通用表征，仅训练适配器捕捉损伤的频域特征；开发解码器反馈优化模块（DFOM），动态生成损伤区域注意力图以抑制背景干扰；引入跨样本对比学习（CSCL）挖掘有限数据中的判别性差异。模型采用AdamW优化器训练，并在多个灾害数据集上验证泛化性。
一、WTAdapter有效提取损伤频域特征
通过离散小波变换将输入图像分解为低频轮廓与高频细节分量，WTAdapter在不同频段建立可学习的适配层。实验表明，该方法在极有限样本下仍能捕获建筑物结构破损引起的纹理突变与边缘异常，频域特征的引入使模型对损伤区域的敏感度显著高于仅使用空间域的基线。
二、DFOM强化损伤区域聚焦
DFOM利用解码器输出的预测掩膜生成动态注意力权重，反向指导适配器的特征选择。结果显示，该模块成功抑制了植被覆盖、道路阴影等非目标背景的干扰，将计算资源集中在潜在损伤区域，尤其在倒塌建筑与未受损结构的边缘区分上表现优异。
三、CSCL提升有限样本判别力
通过对比灾害前后图像对的频域嵌入向量，CSCL拉近同类损伤特征的相似性，推远不同类样本的距离。在仅16个样本的训练条件下，该方法使模型对“裂缝”“塌陷”等细粒度损伤类型的识别准确率提升约12%，证明了从极少量数据中挖掘深层差异的有效性。
研究最终得出结论：ELDSAM在极端数据受限场景下实现了建筑损伤变化检测的性能突破。其核心创新在于将小波频域分析与轻量级适配器结合，既保留了SAM的通用视觉能力，又赋予了其针对性的损伤感知“直觉”。相比传统全参数微调方法，该方法仅需训练极小参数量，大幅降低了计算成本与过拟合风险。更重要的是，其在16个标注样本下的表现已超越主流监督学习方法，为灾害应急响应提供了“快、准、省”的技术路径。未来，该框架有望拓展至洪水淹没区识别、基础设施监测等领域，成为遥感智能解译工具箱中的轻量化利器。
