计算机技术与发展2023，Vol.33Issue(9) ：1-7.DOI:10.3969/j.issn.1673-629X.2023.09.001

基于深度学习的灾后建筑物损坏程度检测综述

Review of Post-disaster Building Damage Detection Based on Deep Learning

陈晓艺 陆一鸣 沈加炜 钱美玲 陆卫忠
计算机技术与发展2023，Vol.33Issue(9) ：1-7.DOI:10.3969/j.issn.1673-629X.2023.09.001
✕
  • 维普
  • 万方数据

基于深度学习的灾后建筑物损坏程度检测综述

Review of Post-disaster Building Damage Detection Based on Deep Learning

陈晓艺 1陆一鸣 2沈加炜 1钱美玲 1陆卫忠3
扫码查看

作者信息

  • 1. 苏州科技大学 电子与信息工程学院,江苏 苏州 215009
  • 2. 苏州科技大学天平学院,江苏 苏州 215009
  • 3. 苏州科技大学 电子与信息工程学院,江苏 苏州 215009;苏州科技大学 苏州智慧城市研究院,江苏 苏州 215009;苏州科技大学 苏州市虚拟现实智能交互及应用技术重点实验室,江苏 苏州 215009
  • 折叠

摘要

遥感图像分类和语义分割是一项非常有应用价值的计算机视觉任务.由于现实生活对遥感信息有更高的需求,使计算机视觉领域中高分辨率遥感图像研究日益活跃.其广泛应用于国土资源监测、道路提取和土地划分等领域.自然灾害后建筑物损害程度检测也作为其应用领域之一,目的是对灾后建筑物损坏程度进行相关检测和评估.近年来,随着深度学习的发展,遥感图像领域取得巨大进展,深度学习在遥感图像分类和语义分割领域中的应用获得了巨大的成功,使其解析遥感图像信息和提取底物特征的速度更快,也在很大程度上提高了处理遥感图像相关任务的准确性.因此,深度学习中的计算机视觉技术对自然灾害后建筑物损害程度检测具有很大帮助.该文介绍了基于深度学习的自然灾害后建筑物损坏程度检测的相关任务、难点和发展现状.接着对xBD数据集进行介绍,并说明了不同算法模型的相关评价标准.然后对深度学习方法中几种应用于建筑物损坏程度检测的卷积神经网络模型进行总结和对比.最后对其存在的问题及未来可能的发展方向进行了讨论.

关键词

遥感图像/深度学习/计算机视觉/自然灾害/建筑物损坏程度检测

Key words

remote sensing image/deep learning/computer vision/natural disasters/building damage detection

引用本文复制引用

基金项目

国家重点研发计划(2020YFC2006602)

苏州大学江苏省计算机信息处理技术重点实验室项目(KJS2166)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
参考文献量5
段落导航相关论文