《International Journal of Applied Earth Observation and Geoinformation》:DPNet: A disaster perception network for building damage detection using single-temporal remote sensing imagery
编辑推荐:
研究人员提出一种新颖的单时相网络(single-temporal network),用于快速建筑物损毁检测(building damage detection)。整合灾害语义(disaster semantics)可增强检测性能。该方法能够为紧急响应提供可靠且
研究人员提出一种新颖的单时相网络(single-temporal network),用于快速建筑物损毁检测(building damage detection)。整合灾害语义(disaster semantics)可增强检测性能。该方法能够为紧急响应提供可靠且及时的决策支持。
论文解读:DPNet——灾害感知网络用于单时相遥感影像建筑物损毁检测
一、研究背景与问题
全球灾害频发,建筑物损毁是造成人员伤亡的主要原因,也是灾害严重程度的直接指标。及时准确地检测损毁建筑对提升应急响应效率和优化资源分配至关重要。传统的双时相变化检测依赖严格对齐的高质量灾前/灾后影像对,但在紧急情况下,一致的灾前影像往往不可用,且跨时相配准的预处理耗时,难以支持快速响应。为此,研究者转向单时相检测范式。然而,现有单时相方法大多针对特定灾害类型训练,且主要依赖视觉特征,隐含假设不同灾害场景中的损毁模式同质。实际上,地震导致结构性倒塌、火灾留下烧痕、洪水造成泥沙沉积和水渍,损毁形态差异显著,导致纯视觉模型的泛化能力不足,检测精度下降。为弥补灾害级语义引导的缺失并增强跨任务交互,研究人员提出了DPNet。
二、研究内容与结论
DPNet是一个结合灾害语义感知与建筑物损毁分割的多任务网络。它采用StrideFormer作为共享骨干,通过灾害感知模块(disaster perception module, DPM)将灾害语义嵌入与损毁特征进行动态融合,并设计了动态语义引导多任务损失(dynamic semantic-guided multi-task loss, DSML)来约束场景级灾害识别与像素级损毁分割之间的语义一致性。在整合xBD与EBD构建的多灾害基准上,DPNet在七个灾害类型上均取得最优检测精度,同时保持较低参数量和计算量,仅6.70M参数、4.91 GFLOPs和58.69 FPS,表明其适合快速应急响应。该方法的另一优势是推理时无需显式灾害标签,可直接从影像中学习并利用灾害语义,具有实际部署价值。
三、关键技术方法
研究人员构建了由xBD(Gupta等,2019)和EBD(Wang等,2025b)整合而成的多灾害基准,覆盖2011—2023年24个重大灾害事件、7种灾害类型,影像来源为GeoEye-