Früher|Nächster

SWSACNet: ein Modell für ein Netzwerk zur Erkennung von Veränderungen in eingestürzten Gebäuden für Multi-Source-Bilder

  • role： First author第一作者
  • Affiliation：

    Institute of Earthquake Forecasting, China Earthquake Administration, Beijing 100036, China

  • Email：longying_98@163.com
  • Introduction：龙颖，研究方向为遥感与地震风险评估。 E-mail： longying_98@163.com
LONG Ying1,  
  • role： Corresponding author通信作者
  • Affiliation：

    Institute of Earthquake Forecasting, China Earthquake Administration, Beijing 100036, China

  • Email：axdothy@163.com
  • Introduction：窦爱霞，研究方向为遥感与地震灾害风险评估。 E-mail： axdothy@163.com
DOU Aixia1*,  
  • Affiliation：

    Henan Earthquake Agency, Zhengzhou 450016, China

WANG Feifei2,  
  • Affiliation：

    Institute of Earthquake Forecasting, China Earthquake Administration, Beijing 100036, China

WANG Shumin1

Resümee

Um das Problem der räumlichen Heterogenität von Multi-Source-Satellitenbildern zu unterschiedlichen Zeiten zu lösen, hat diese Studie das Modell des Netzwerks FTN (Fully Transformer Network) verbessert und das Modell des Netzwerks zur Detektion von Veränderungen in eingestürzten Gebäuden SWSACNet (Sliding-Window-Shift Attention Convolution mix Network) vorgestellt, das auf einem end-to-end-Ansatz basiert und die Merkmale durch ein Schiebefenster und einen Mechanismus zur Mischung der Aufmerksamkeit von Faltung verstärkt. SWSACNet basiert auf dem Rahmen des FTN-Modells, verwendet ACmix (Attention Convolution mix) zur effizienten Identifizierung von Merkmalen eingestürzter Gebäude in Multi-Source-Bildern und schwächt den Effekt der räumlichen Verschiebung in Multi-Source-Bildern ab, indem es die Ähnlichkeitsmerkmale der Schiebefenster vergleicht. Am Beispiel eines Erdbebens der Magnitude 7,8 in der Türkei am 6. Februar 2023 wurden hochauflösende Bilder vor dem Erdbeben, Bilder von Google und Bilder von Beidou-3 nach dem Erdbeben gesammelt, um ein Datensatz zur Detektion von Veränderungen in eingestürzten Gebäuden zu erstellen. Modelle SWSACNet, FTN und 5 weitere Modelle für die Detektion von Veränderungen und die Extraktion eingestürzter Gebäude in der Erdbebenzone trainiert. Die Ergebnisse des Experiments zeigten, dass die Erkennungsgenauigkeit von SWSACNet 80,8% erreichte, mIoU betrug 67,8%, was besser ist als bei anderen 4 Modellen. Angewandt auf die Szenarien 3Fevaipasa, Nurdagi und Islahiye, betrug die durchschnittliche Genauigkeit des F1-Modells 60,84%, was darauf hinweist, dass das Modell hinsichtlich der Generalisierungsleistung verbessert werden muss.

Schlüsselwort

Fernerkundung; Multi-Source-Bilder; Deep Learning; Veränderungserkennung; Extraktion von eingestürzten Gebäuden

References

  1. 1.
    Adriano B, Yokoya N, Xia J S, Miura H, Liu W, Matsuoka M and Koshimura S. 2021. Learning from multimodal and multitemporal earth observation data for building damage mapping. ISPRS Journal of Photogrammetry and Remote Sensing, 175: 132-143
  2. 2.
    Bianet. 2023. Erdoğan: earthquakes to cost Turkey 104 billion dollars. [2024-05-17]. .
  3. 3.
    CGTN. 2023. Death toll from earthquakes rises to 50,500 in Türkiye[EB/OL]. [2024-05-17]. .
  4. 4.
    Chen H and Shi Z W. 2020. A spatial-temporal attention-based method and a new dataset for remote sensing image change detection. Remote Sensing, 12(10): 1662
  5. 5.
    Chen J, Yuan Z Y, Peng J, Chen L, Huang H Z, Zhu J W, Liu Y and Li H F. 2021. DASNet: dual attentive fully convolutional Siamese networks for change detection in high-resolution satellite images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 1194-1206
  6. 6.
    Chen M and Wang X Q. 2019. The study on extraction of seismic damage of buildings from remote sensing image based on fully convolutional neural network. Technology for Earthquake Disaster Prevention, 14(4): 810-820
  7. 7.
    Daudt R C, Le Saux B, Boulch A and Gousseau Y. 2018. Urban change detection for multispectral earth observation using convolutional neural networks//IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. Valencia: IEEE: 2115-2118
  8. 8.
    Dong L G and Shan J. 2013. A comprehensive review of earthquake-induced building damage detection with remote sensing techniques. ISPRS Journal of Photogrammetry and Remote Sensing, 84: 85-99
  9. 9.
    Gao M T. 2023. Turkey earthquake: another alarm bell for the big quake and catastrophe. China Emergency Management, (2): 34-36
  10. 10.
    Ge J Y, Tang H and Ji C. 2023. Self-incremental learning for rapid identification of collapsed buildings triggered by natural disasters. Remote Sensing, 15(15): 3909
  11. 11.
    Girshick R, Donahue J, Darrell T and Malik J. 2014. Rich feature hierarchies for accurate object detection and semantic segmentation//Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus: IEEE: 580-587
  12. 12.
    Krizhevsky A, Sutskever I and Hinton G E. 2017. ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6): 84-90
  13. 13.
    Lin T Y, Goyal P, Girshick R, He K M and Dollár P. 2017. Focal loss for dense object detection//Proceedings of the 2017 IEEE International Conference on Computer Vision. Venice: IEEE: 2999-3007
  14. 14.
    Miyamoto T and Yamamoto Y. 2021. Using 3-D convolution and multimodal architecture for earthquake damage detection based on satellite imagery and digital urban data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 8606-8613
  15. 15.
    Pan X R, Ge C J, Lu R, Song S J, Chen G F and Huang Z Y. 2022. On the integration of self-attention and convolution//Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. New Orleans: IEEE: 805-815
  16. 16.
    Rasika A K, Kerle N and Heuel S. 2006. Multi-scale texture and color segmentation of oblique airborne video data for damage classification//Proceedings of the ISPRS Commission VII Symposium. Enschede: International Institute for Geo-Information Science and Earth Observation.
  17. 17.
    Reuters. 2023. Turkey quake kills 912 in historic disaster, Erdogan says[EB/OL]. [2024-05-17]. .
  18. 18.
    Shen Y, Zhu S J, Yang T J N, Chen C, Pan D L, Chen J Y, Xiao L and Du Q. 2022. BDANet: multiscale convolutional neural network with cross-directional attention for building damage assessment from satellite images. IEEE Transactions on Geoscience and Remote Sensing, 60: 5402114
  19. 19.
    Shorten C and Khoshgoftaar T M. 2019. A survey on image data augmentation for deep learning. Journal of Big Data, 6(1): 60
  20. 20.
    Wang T L and Jin Y Q. 2012. Evaluation of multiple mutual information for building damages after earthquake using pre-event optical image and post-event SAR image. National Remote Sensing Bulletin, 16(2): 248-261
  21. 21.
    Wang Z, Bovik A C, Sheikh H R and Sheikh E P. 2004. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4): 600-612
  22. 22.
    Wu Y Y. 2020. Research on the Method of Extracting the Building Seismic Damage Information Based on Improved U-Net. Chengdu: Southwest Jiaotong University
  23. 23.
    Yan T Y, Wan Z F and Zhang P P. 2022. Fully transformer network for change detection of remote sensing images//Proceedings of the 16th Asian Conference on Computer Vision. Macao, China: Springer: 75-92
  24. 24.
    Zheng Z, Zhong Y F, Wang J J, Ma A L and Zhang L P. 2021. Building damage assessment for rapid disaster response with a deep object-based semantic change detection framework: from natural disasters to man-made disasters. Remote Sensing of Environment, 265: 112636

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website