灾害分类新突破！自适应邻域+去相关损失，跨灾害泛化性能飙升！
Keep Your Friends Close, and the Right Neighbours Closer: Disaster-Conditioned Kernel-Regularized Graph Attention for Building Damage Classification
📖 AI 总结
该研究针对灾害场景下建筑损伤分类任务中空间上下文利用不足的问题，提出了一种灾害条件化的核正则化图注意力模型。研究指出，建筑损伤具有空间聚集性，但不同灾害类型（如洪水、飓风、野火）的聚集模式差异显著，统一的空间建模容易导致边界模糊或误差传播。方法上，作者在xBD数据集上采用定位后分类的受控设置，以GPS构建建筑图，通过灾害类型条件化的多尺度空间核先验注入注意力机制，并引入残差去相关损失抑制预测残差中的正向空间自相关。实验采用留一事件验证和跨数据集迁移（xBD到Ida-BD），结果显示该方法在零样本事件迁移下显著提升宏F1分数，并大幅降低残差空间自相关，表明模型能更有效地利用空间上下文而非简单平滑，对未知事件具有更好的泛化能力。
🔑 关键词速览
| xBD | 一个用于建筑破坏评估的卫星图像数据集，用于xView2挑战赛。 |
| PPC patch | 灾前/灾后组合补丁，从建筑多边形裁剪的成对图像块，用于表示建筑外观变化。 |
| Graph Attention | 图注意力机制，一种在图上进行信息聚合的深度学习技术，能自适应地加权邻居特征。 |
| Moran's I | 空间自相关统计量，用于衡量空间数据的聚集或分散程度，正值表示正相关。 |
| LOEO protocol | 留一事件外验证协议，一种评估方法，每次留出一个灾害事件作为测试集，用于测试泛化能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅