基于地震后无人机图像的受损建筑物快速评估的改进实例细分方法

科学领域:

• 计算机视觉 计算机视觉
• 遥感 遥感 遥感 遥感
• 灾害管理 灾害管理

背景情况:

• 灾后准确的建筑损坏评估对于应急响应至关重要.
• 现有的语义细分和物体检测方法与高分辨率无人机图像作斗争,在建筑物内的多损坏类别和精确的边缘提取方面面临挑战.
• 这些局限性阻碍了灾后的有效救援和细粒度损害评估.

研究的目的:

• 开发一个改进的实例细分模型,以从无人机图像中准确和高效地进行细粒度建筑损坏评估.
• 为了提高分类准确性和改善小物体细分,以便更好地评估损坏.
• 解决当前处理复杂损坏场景和建筑边缘提取方法的局限性.

主要方法:

• 提出了改进的实例细分模型,在骨干中结合了混合本地通道注意力 (MLCA) 机制,以提高分类准确性.
• 改进了模型的Neck部分,以提高小物体的细分精度.
• 在比地震的无人机图像上测试了该模型,并将其与Mask-R-CNN和YOLO V9-Seg.等最先进的模型进行了比较.

主要成果:

• 修改后的模型表现出优异的性能,在mAPbbox50中表现1.07%高于原始模型,在mAPseg50.0中表现1.11%.
• 在完整 (2.73%) 和崩 (2.58%和2.14%) 类别的分类准确度中观察到显著的改善.
• 拟议的模型实现了与最先进的方法可比的准确性,同时速度快三倍,展示了提高效率.

结论:

• 改进的实例细分模型为使用无人机图像进行细粒度建筑损坏评估提供了有价值的解决方案.
• 整合MLCA和Neck精细化有效地解决了损坏分类和小物体细分方面的挑战.
• 该模型的提高准确性和效率为灾后应急响应和评估提供了显著的优势.