предыдущий|следующий

SWSACNet: модель сети обнаружения изменений разрушенных зданий для многочастотных изображений

  • 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

реферат

Для решения проблемы пространственной гетерогенности многочастотных изображений спутникового зондирования в разное время, в данной работе улучшена модель сети FTN (Fully Transformer Network) и представлена модель сети обнаружения изменений разрушенных зданий SWSACNet (Sliding-Window-Shift Attention Convolution mix Network), работающая в конце концов и основанная на усилении признаков методом скользящего окна и смешанной механике внимания свертки. SWSACNet базируется на модели FTN, использует ACmix (Attention Convolution mix) для эффективного выявления признаков разрушенных зданий в многочастотных изображениях, и уменьшает влияние пространственного сдвига в многочастотных изображениях путем сравнения характеристик сходства скользящего окна. На примере землетрясения магнитудой 7,8 в Турции 6 февраля 2023 года, путем получения высокочастотного образа до землетрясения, изображений Google и образов Пекин-3 после землетрясения для построения набора данных обнаружения изменений разрушенных зданий, обучали модели SWSACNet, FTN и еще 5 моделей для обнаружения изменений и извлечения разрушенных зданий в зоне землетрясения. Результаты эксперимента показали, что точность распознавания SWSACNet достигает 80,8%, mIoU составляет 67,8%, что лучше, чем у других 4 моделей. Примененный к сценариям 3Fevaipasa, Nurdagi и Islahiye, средняя точность модели F1 составляет 60,84%, что свидетельствует о необходимости улучшения обобщающих характеристик модели.

ключеви́че слова́

Дистанционное зондирование; многочастотные изображения; глубокое обучение; обнаружение изменений; извлечение разрушенных зданий

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

Читать полностью

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