基于光学卫星图像的建筑损伤评估深度学习方法综述

《IEEE Access》：A Review of Deep Learning Methodologies for Building Damage Assessment Using Optical Satellite Imagery

　　

摘要：

地震、飓风、洪水以及野火等灾难性事件能够在短时间内摧毁大量建筑物，这就迫切需要快速且协调的灾害应对措施。其中最大的挑战之一就是如何迅速获取可靠的建筑损毁信息，因为实地检查以及对卫星图像的手动分析既缓慢又危险，还耗费大量人力。遥感技术可以通过卫星和航空影像实现大范围观测，而近年来人工智能领域的进展，尤其是基于深度学习的计算机视觉技术，提升了灾后建筑损毁评估的自动化水平。这些模型能够更快、更高效地分析光学影像，不过其性能会受到数据质量、灾害类型、类别平衡性以及应用环境等因素的影响。本研究总结了利用光学卫星影像进行建筑损毁评估的深度学习方法。主要贡献包括：（1）回顾了从手动检查到基于计算机视觉的评估方法的发展历程；（2）对用于基准测试的真实数据集和合成数据集进行了分类；（3）根据时间输入策略和模型架构对现有的光学深度学习方法进行了整理；（4）对模型架构、时间输入策略、类别不平衡问题以及模型的泛化能力等主要方法学特征进行了深入分析；（5）探讨了评估方法、应用限制、伦理问题，以及未来发展方向，比如利用更少的手动标注数据进行训练，以及运用视觉语言模型。