FEA-Net:基于特征增强注意力UNet的灾后建筑物损伤分级分类方法研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:FEA-Net: Feature-Enhanced Attention-UNet for Hierarchical Classification and Grading of Postdisaster Building Images

【字体: 大 中 小 】 时间:2025年12月08日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4

编辑推荐:

  本研究针对灾后建筑物损伤评估中存在的类别分布不平衡和渐进式损伤特征模糊两大核心挑战,提出了一种基于特征增强注意力UNet(FEA-Net)的图像分类方法。通过引入多尺度差异特征提取模块(MCBM)和边界动态特征模块(BDF),结合Dice Loss和Focal Loss的混合损失函数,在xBD数据集上实现了74.8%的F1分数和60.4%的IoU,显著提升了损伤边界的识别精度和类别不平衡问题的处理能力,为灾后应急响应提供了更可靠的技术支持。

  
近年来,地震等自然灾害频发,导致大量建筑物损毁,给灾后应急响应和救援工作带来巨大挑战。传统依靠人工实地勘察和专家分析的评估方法效率低下且覆盖范围有限。随着遥感技术的发展,高分辨率卫星影像已成为灾害评估的重要数据源,而基于深度学习的语义分割方法在建筑物损伤评估任务中展现出巨大潜力。然而,现有方法面临两个核心难题:数据集中类别分布不平衡导致模型决策偏向多数类别,以及渐进式损伤特征模糊导致跨类别误判。
针对这些问题,发表于《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》的研究提出了一种特征增强的注意力UNet(FEA-Net)模型。该研究通过创新性地整合多尺度上下文特征提取与边界感知优化机制,有效解决了语义模糊和类别不平衡问题。
研究人员采用的主要技术方法包括:基于UNet框架构建对称编码器-解码器结构,编码器使用ResNet34进行特征提取;引入多尺度上下文边界模块(MCBM)增强差异特征提取能力;集成SIMAM注意力机制优化特征权重分配;设计边界动态特征模块(BDF)提升边界区域特征处理效果。模型在包含15个国家地区、8种灾害类型的xBD数据集上进行验证,采用中心裁剪、几何变换、像素级增强等多阶段数据增强策略,并使用结合Dice Loss和Focal Loss的混合损失函数进行优化。
研究结果显示,该方法在四类损伤等级上表现出显著差异:完好类别获得最佳性能(F1=92.6%,IoU=80.7%),倒塌类别精度达90.4%但召回率为75.5%,严重损伤类别召回率为66.0%,轻微损伤类别性能最弱(F1=56.3%,IoU=39.2%)。可视化分析表明,模型对完好建筑物特征激活集中、边界清晰,而对轻微损伤类别特征响应较弱,在植被覆盖变化或阴影干扰场景下存在特征混淆。
模块贡献度分析通过消融实验验证了各组件的必要性。移除BDF模块导致整体F1分数下降4.9%,轻微损伤类别F1从0.563降至0.482;移除MCBM模块使整体F1下降4.6%,严重损伤类别从0.682降至0.620。完整模型相比ResNet34+UNet基线提升6.0%,证明多模块协同优化的有效性。
特征空间分析揭示了类别间判别难度差异。轻微损伤与严重损伤类别的判别力仅为0.08,特征重叠值达0.4586,表明这两类在特征空间中边界模糊。完好与轻微损伤类别的特征重叠值为0.4232,判别力为0.1218,也存在较大区分难度。而倒塌类别与完好类别的判别力达0.3190,相对容易识别。
在LEVIR-CD数据集上的泛化性评估进一步证明了方法的普适性。FEA-Net取得了0.9180的F1分数,优于Bt-hrscd(0.9150)和BIT(0.8975)等基准方法,同时保持51.11 FPS的推理速度和247.84 MB的模型大小,展现出良好的准确率-效率平衡。
研究结论表明,FEA-Net通过"注意力引导+差异增强+多尺度融合"的层次化模块堆叠结构,有效提升了灾后建筑物损伤评估的可靠性。该方法创新性地解决了特征重叠和类别不平衡共存的难题,但轻微损伤类别的细粒度特征表征能力仍有提升空间。未来研究可聚焦于高频特征增强、过渡敏感损失函数设计等方向,进一步优化模型在复杂环境下的适应性。
讨论部分指出,密集建筑群的空间排列与显著的环境变化(如季节性植被变化)会掩盖微小损伤特征,而低分辨率输入会降解形态细节导致边界模糊。这些发现为后续模型优化提供了明确方向,包括通过多尺度特征学习增强紧凑布局中的上下文感知能力,以及集成高频细节增强模块恢复低分辨率纹理信息。该方法的成功实践也为生态监测、作物健康评估等领域的变化检测任务提供了有益借鉴。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号