基于深度学习的无人机遥感影像灾损评估

频发自然灾害威胁着人类的生命和财产安全,无人机机动灵活,采集的遥感图像分辨率高,结合深度学习图像分割技术可以高效地识别受灾目标、评估灾害损失。受灾后目标外观会发生很大改变,尤其是建筑物,受灾后整体结构被破坏,与周围的碎片、树木、道路等混淆在一起,难以有效区分各类目标。为此,提出了一个编码解码结构模型UDANet旨在增强目标间的长距离依赖关系,扩大感受野以提高目标识别精度。首先,UDANet模型编码端采用ResNet50作为特征提取器,在最深层特征处连接空洞卷积金字塔模块ASPP,在浅层特征处使用空间注意力机制PAM。然后,解码端对特定的浅层和深层进行融合后解码得到最终预测结果。最后,使用RescueNet数据集进行实验,实验结果 Pix_Acuray达到83.6%。