灾前建筑物掩码引导的航天遥感建筑物受损变化检测方法

doi:10.7527/S1000-6893.2025.32845

航天遥感图像智能处理与分析专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 |

灾前建筑物掩码引导的航天遥感建筑物受损变化检测方法

李杰潘¹, 贺威¹(), 唐明豪², 熊进³

^1.武汉大学测绘遥感信息工程全国重点实验室，武汉 430072
^2.浙江省应急管理科学研究院，杭州 310012
^3.长江水利委员会汉江流域治理保护中心，武汉 430014

收稿日期:2025-09-28 修回日期:2025-11-06 接受日期:2025-11-25 出版日期:2025-12-09 发布日期:2025-12-08
通讯作者: 贺威 E-mail:weihe@whu.edu.cn

Pre-disaster footprint-guilded building damage change detection in spaceborne remote sensing imagery

Jiepan LI¹, Wei HE¹(), Minghao TANG², Jin XIONG³

^1.State Key Laboratory of Information Engineering in Surveying，Mapping and Remote Sensing，Wuhan University，Wuhan 430072，China
^2.Zhejiang Academy of Emergency Management Science and Technology，Hangzhou 310012，China
^3.Hanjiang River Basin Governance and Protection Center，Changjiang Water Resources Commission，Wuhan 430014，China

Received:2025-09-28 Revised:2025-11-06 Accepted:2025-11-25 Online:2025-12-09 Published:2025-12-08
Contact: Wei HE E-mail:weihe@whu.edu.cn

摘要/Abstract

摘要：

作为承载人口与经济活动的核心载体，建筑物在灾害中极易受损，其受损情况直接关系到应急响应与灾后重建。因此，基于航天遥感影像快速、准确地获取建筑物受损信息已成为灾害应急中的关键环节。针对跨时相和跨模态航天遥感影像存在的几何失配、背景干扰和特征对齐困难，提出了一种基于灾前建筑物掩码引导的两阶段变化感知建筑物受损检测框架（PDF-Net）。该框架首先利用孪生金字塔视觉Transformer提取灾前与灾后影像的多层次特征，并生成灾前建筑物掩码以引入引导信息；随后设计变化感知门控注意力模块对低层细节特征进行差分增强，突出局部变化信息，同时提出基于重叠窗口的分组跨时相注意力机制对高层语义特征进行显式对齐，强化建筑物区域的结构性变化表达，通过跨层次融合实现了精细化受损检测。在xBD数据集（灾前光学-灾后光学）和BRIGHT数据集（灾前光学-灾后合成孔径雷达）上的实验表明：该方法在同模态与跨模态任务中均取得显著提升，其中在xBD数据集上平均交并比分数较现有最佳方法提升0.58%，在Bright数据集上提升1.97%，并在跨模态检测场景下表现出更高的鲁棒性与泛化能力。结果验证了所提出框架在复杂灾害航天遥感场景下的有效性与实用价值。

关键词: 遥感, 深度学习, 灾害, 变化检测, 建筑物受损

Abstract:

As the primary carriers of population and economic activities， buildings are highly vulnerable to disasters， and their damage status directly affects emergency response and post-disaster reconstruction. Therefore， rapid and accurate acquisition of building damage information has become a critical requirement in disaster management. To address the challenges of geometric misalignment， background interference， and feature alignment difficulties in multi-temporal and cross-modal remote sensing imagery， we propose a Pre-Disaster Footprint-guided change-aware damage detection Network （PDF-Net）. Specifically， the framework first employs a twin pyramid vision transformer to extract multi-level features from pre-and post-disaster imagery and generates pre-disaster building masks to introduce guidance information. Subsequently， a change-aware gated attention module is designed to enhance differential representation of low-level detail features， highlighting local changes， while a grouped cross-temporal attention mechanism with overlapped windows is introduced to explicitly align high-level semantic features， thereby reinforcing the structural change representation of buildings. Finally， fine-grained damage detection is achieved through cross-level feature fusion. Experiments conducted on the xBD dataset （pre-disaster optical-post-disaster optical） and the Bright dataset （pre-disaster optical-post-disaster SAR） demonstrate that the proposed method achieves significant improvements in both intra-modal and cross-modal tasks. Specifically， B-PriorNet surpasses the current state-of-the-art methods by 0.58% in mean Intersection-over-Union （mIoU） on the xBD dataset and by 1.97% on the Bright dataset， showing stronger robustness and generalization ability in cross-modal detection scenarios. These results validate the effectiveness and practical value of the proposed framework in complex disaster environments.

Key words: remote sensing, deep learning, disaster, change detection, building damage

中图分类号:

李杰潘, 贺威, 唐明豪, 熊进. 灾前建筑物掩码引导的航天遥感建筑物受损变化检测方法[J]. 航空学报, 2026, 47(10): 532845.

Jiepan LI, Wei HE, Minghao TANG, Jin XIONG. Pre-disaster footprint-guilded building damage change detection in spaceborne remote sensing imagery[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(10): 532845.

图/表 13

图 1

图 2

图 3

表1

表2

图 4

图 5

表3

表4

图 6

图 7

图 8

表5

参考文献 41

[1]	王丝丝，刘志春，张景，等. 灾害应急响应中多源遥感数据国际共享服务研究［J］. 遥感技术与应用， 2024， 39（1）： 198-208.
	WANG S S， LIU Z C， ZHANG J， et al. Research on international sharing service of multi-source remote sensing data in disaster emergency response［J］. Remote Sensing Technology and Application， 2024， 39（1）： 198-208 （in Chinese）.
[2]	WANG H F， HE W， LI Z H， et al. Cross-scenario damaged building extraction network： Methodology， application， and efficiency using single-temporal HRRS imagery［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2025， 228： 228-248.
[3]	赵金玲，黄健，梁梓君，等. 基于BDANet的地震灾害建筑物损毁评估［J］. 自然资源遥感， 2024， 36（4）： 193-200.
	ZHAO J L， HUANG J， LIANG Z J， et al. BDANet-based assessment of building damage from earthquake disasters［J］. Remote Sensing for Natural Resources， 2024， 36（4）： 193-200 （in Chinese）.
[4]	魏麟. 基于高分辨率遥感影像的震灾建筑物损毁检测［J］. 地理空间信息， 2022， 20（3）： 68-71， 116.
	WEI L. Building earthquake damage detection based on high-resolution remote sensing image［J］. Geospatial Information， 2022， 20（3）： 68-71， 116 （in Chinese）.
[5]	张继贤，顾海燕，倪欢，等. 遥感智能变化检测的深度学习方法：演变与发展趋势［J］. 测绘学报， 2025， 54（8）： 1347-1370.
	ZHANG J X， GU H Y， NI H， et al. Deep learning methods for remote sensing intelligent change detection： Evolution and development［J］. Acta Geodaetica et Cartographica Sinica， 2025， 54（8）： 1347-1370 （in Chinese）.
[6]	WANG H F， HE W， LI Z H， et al. Cross-scenario damaged building extraction network： Methodology， application， and efficiency using single-temporal HRRS imagery［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2025， 228： 228-248.
[7]	程塨，王光兴，韩军伟. 深度学习遥感变化检测综述：典型算法及发展趋势［J］. 遥感学报， 2025， 29（6）： 1587-1597.
	CHENG G， WANG G X， HAN J W. Deep learning for change detection in remote sensing： A review and new outlooks［J］. National Remote Sensing Bulletin， 2025， 29（6）： 1587-1597 （in Chinese）.
[8]	QUARMBY N A， CUSHNIE J L. Monitoring urban land cover changes at the urban fringe from SPOT HRV imagery in south-east England［J］. International Journal of Remote Sensing， 1989， 10（6）： 953-963.
[9]	RIGNOT E J M， VAN ZYL J J. Change detection techniques for ERS-1 SAR data［J］. IEEE Transactions on Geoscience and Remote Sensing， 1993， 31（4）： 896-906.
[10]	NIELSEN A A， CANTY M J. Kernel principal component analysis for change detection［J］. Image and Signal Processing for Remote Sensing XIV， 2008， 7109： 71090T.
[11]	NIELSEN A A， CONRADSEN K， SIMPSON J J. Multivariate alteration detection （MAD） and MAF postprocessing in multispectral， bitemporal image data： New approaches to change detection studies［J］. Remote Sensing of Environment， 1998， 64（1）： 1-19.
[12]	GRAESSER J， RAMANKUTTY N. Detection of cropland field parcels from Landsat imagery［J］. Remote Sensing of Environment， 2017， 201： 165-180.
[13]	高仁强，陈亮雄，杨静学，等. 一种高分影像随机森林变化检测方法［J］. 测绘科学， 2020， 45（11）： 130-138.
	GAO R Q， CHEN L X， YANG J X， et al. A method of random forest change detection based on high resolution image［J］. Science of Surveying and Mapping， 2020， 45（11）： 130-138 （in Chinese）.
[14]	付青，罗文浪，吕敬祥. 基于AlexNet和支持向量机相结合的卫星遥感影像土地利用变化检测［J］. 激光与光电子学进展， 2020， 57（17）： 172802.
	FU Q， LUO W L， LÜ J X. Land utilization change detection of satellite remote sensing image based on AlexNet and support vector machine［J］. Laser & Optoelectronics Progress， 2020， 57（17）： 172802 （in Chinese）.
[15]	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017， 60（6）： 84-90.
[16]	CHEN P， ZHANG B， HONG D F， et al. FCCDN： Feature constraint network for VHR image change detection［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2022， 187： 101-119.
[17]	SHELHAMER E， LONG J， DARRELL T. Fully convolutional networks for semantic segmentation［C］∥IEEE Transactions on Pattern Analysis and Machine Intelligence. Piscataway： IEEE Press， 2016： 640-651.
[18]	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition［C］∥2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2016： 770-778.
[19]	LIU Z， LIN Y T， CAO Y， et al. Swin transformer： Hierarchical vision transformer using shifted windows［C］∥2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2022： 9992-10002.
[20]	WANG W H， XIE E Z， LI X， et al. Pyramid vision transformer： A versatile backbone for dense prediction without convolutions［C］∥2021 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway： IEEE Press， 2022： 548-558.
[21]	ZHENG Z， ZHONG Y F， WANG J J， et al. Building damage assessment for rapid disaster response with a deep object-based semantic change detection framework： From natural disasters to man-made disasters［J］. Remote Sensing of Environment， 2021， 265： 112636.
[22]	QING Y Z， MING D P， WEN Q， et al. Operational earthquake-induced building damage assessment using CNN-based direct remote sensing change detection on superpixel level［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 112： 102899.
[23]	李钊，许涛，田西兰. 基于混合残差和全局注意力的遥感图像变化检测［J］. 电讯技术， 2025， 65（10）： 1551-1560.
	LI Z， XU T， TIAN X L. Change detection of remote sensing image based on mix residual and global attention［J］. Telecommunication Engineering， 2025， 65（10）： 1551-1560 （in Chinese）.
[24]	SHU Q D， PAN J， ZHANG Z E， et al. DPCC-Net： Dual-perspective change contextual network for change detection in high-resolution remote sensing images［J］. International Journal of Applied Earth Observation and Geoinformation， 2022， 112： 102940.
[25]	CHEN H， SONG J， HAN C X， et al. ChangeMamba： Remote sensing change detection with spatiotemporal state space model［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 4409720.
[26]	ZHANG Z Q， BAO L Y， XIANG S， et al. B2CNet： A progressive change boundary-to-center refinement network for multitemporal remote sensing images change detection［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2024， 17： 11322-11338.
[27]	LIU T Y， LI J P， CAO W N， et al. MLCNet： Multitask level-specific constraint network for building change detection［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2024， 17： 11823-11838.
[28]	XU C， YU H N， MEI L Y， et al. Rethinking building change detection： Dual-frequency learnable visual encoder with multiscale integration network［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2024， 17： 6174-6188.
[29]	LI J P， HE W， LI Z H， et al. Overcoming the uncertainty challenges in detecting building changes from remote sensing images［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2025， 220： 1-17.
[30]	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］∥2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2017： 936-944.
[31]	GUPTA R， HOSFELT R， SAJEEV S， et al. xBD： A dataset for assessing building damage from satellite imagery［DB/OL］. arXiv preprint： 1911.09296， 2019.
[32]	CHEN H， SONG J， DIETRICH O， et al. Bright： A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response［J］. Earth System Science Data， 2025， 17（11）： 6217-6253.
[33]	CAYE DAUDT R， LE SAUX B， BOULCH A. Fully convolutional Siamese networks for change detection［C］∥2018 25th IEEE International Conference on Image Processing （ICIP）. Piscataway： IEEE Press， 2018： 4063-4067.
[34]	CHEN T， LU Z Y， YANG Y， et al. A Siamese network based U-Net for change detection in high resolution remote sensing images［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 2357-2369.
[35]	CHEN H， QI Z P， SHI Z W. Remote sensing image change detection with transformers［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 5607514.
[36]	BANDARA W G C， PATEL V M. A transformer-based Siamese network for change detection［C］∥IGARSS 2022-2022 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE Press， 2022： 207-210.
[37]	LIN M H， YANG G Y， ZHANG H Y. Transition is a process： Pair-to-video change detection networks for very high resolution remote sensing images［J］. IEEE Transactions on Image Processing， 2023， 32： 57-71.
[38]	HAN C X， WU C， GUO H N， et al. HANet： A hierarchical attention network for change detection with bitemporal very-high-resolution remote sensing images［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2023， 16： 3867-3878.
[39]	HAN C X， WU C， GUO H N， et al. Change guiding network： Incorporating change prior to guide change detection in remote sensing imagery［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2023， 16： 8395-8407.
[40]	LI K Y， CAO X Y， MENG D Y. A new learning paradigm for foundation model-based remote-sensing change detection［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 5610112.
[41]	PAN J， BAI Y C， SHU Q D， et al. M-Swin： Transformer-based multiscale feature fusion change detection network within cropland for remote sensing images［J］. IEEE Transactions on Geoscience and Remote Sensing， 2024， 62： 4702716.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

方法	IoU/%					mIoU/%
方法	背景	无损毁	轻微受损	严重受损	完全损毁	mIoU/%
FC-Siam-conc	99.02	68.66	23.30	43.14	56.78	58.18
FC-Siam-diff	98.99	68.45	21.05	42.96	57.37	57.76
SNUNet-CD	99.01	69.55	24.85	47.37	53.68	58.89
BIT	99.02	69.87	25.43	47.76	54.22	59.26
Change-Former	99.05	71.28	25.29	50.83	55.79	60.45
ChangeOS	99.03	70.21	24.08	45.57	56.01	58.98
P2V	99.11	71.02	24.00	44.27	58.33	59.35
HANet	99.08	71.35	25.01	46.70	56.64	59.76
CGNet	99.07	71.58	25.62	47.88	57.03	60.24
BAN	99.10	72.49	26.00	48.93	58.80	61.06
MLCNet	99.09	72.33	26.40	48.99	59.16	61.19
M-Swin	99.07	73.15	25.74	49.66	60.12	61.55
Change-Mamba	99.10	72.35	25.07	49.38	59.04	60.99
UACD	99.13	73.19	25.73	50.86	60.85	61.95
PDF-Net	99.14	73.33	28.06	51.18	60.96	62.53

方法	IoU/%				mIoU/%
方法	背景	无损毁	部分受损	完全损毁	mIoU/%
FC-Siam-conc	95.73	67.64	20.03	48.28	57.92
FC-Siam-diff	92.94	57.38	17.31	47.50	53.78
SNUNet-CD	95.93	74.47	29.04	62.75	65.55
BIT	96.37	76.23	30.22	64.48	66.83
ChangeFormer	96.65	78.05	31.94	67.39	68.51
ChangeOS	95.88	75.92	27.45	64.76	66.00
P2V	96.30	75.75	25.86	64.38	65.57
HANet	96.45	75.62	29.03	65.50	66.65
CGNet	96.58	76.29	32.07	65.44	67.60
BAN	96.33	78.15	33.21	65.69	68.35
MLCNet	96.24	77.83	31.26	64.55	67.47
M-Swin	96.50	77.92	33.61	67.32	68.84
ChangeMamba	96.76	78.74	33.82	67.27	69.15
UACD	96.71	78.23	32.49	65.73	68.29
PDF-Net	96.91	79.80	36.49	71.30	71.12

方法	IoU/%					mIoU/%
方法	背景	无损毁	轻微受损	严重受损	完全损毁	mIoU/%
w/o CAGA	98.97	70.89	26.42	48.55	58.67	60.70
w/o MGCA-Owin	98.99	70.64	26.08	48.43	58.53	60.53
w/o Building	99.01	70.03	25.78	48.17	56.99	60.00
PDF-Net	99.14	73.33	28.06	51.18	60.96	62.53

方法	IoU/%				mIoU/%
方法	背景	无损毁	部分受损	完全损毁	mIoU/%
w/o CAGA	96.25	77.82	33.10	68.96	69.03
w/o MGCA-Owin	96.37	77.79	34.27	69.54	69.49
w/o Building	96.12	76.40	32.66	68.13	68.33
PDF-Net	96.91	79.80	36.49	71.30	71.12

窗口大小	重叠大小	mIoU/%
窗口大小	重叠大小	xBD	Bright
4	2	62.27	70.75
8	2	62.53	71.12
16	2	61.60	70.05
8	4	62.35	71.02
8	6	62.01	70.88

灾前建筑物掩码引导的航天遥感建筑物受损变化检测方法

Pre-disaster footprint-guilded building damage change detection in spaceborne remote sensing imagery

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 41

相关文章 15

编辑推荐

Metrics

本文评价

[1]	马宇卓, 任侃, 李涛, 陈钱. 基于距离损失提升航空图像语义分割研究[J]. 航空学报, 2026, 47(8): 332780-332780.
[2]	黄俊, 张菁, 翁世倩. 机载光电目标识别算法综述[J]. 航空学报, 2026, 47(6): 332601-332601.
[3]	李乐言, 杨任农, 郭安新, 宋祺, 左家亮. 基于全域火力场的超视距空战威胁预测及动态逃逸方法[J]. 航空学报, 2026, 47(4): 332205-332205.
[4]	冯子成, 张文龙, 刘冬辉, 于起峰. 复杂背景下反无人机红外目标鲁棒跟踪算法[J]. 航空学报, 2026, 47(4): 332264-332264.
[5]	段韶华, 张淳杰, 刘传凯, 郑晓龙, 张济韬. 自回归与反馈驱动的自适应矩形卷积全色锐化网络[J]. 航空学报, 2026, 47(10): 532432-532432.
[6]	卢光宇, 陈博文, 陈科研, 邹征夏, 史振威. 基于混合专家模型的航天遥感图像目标检测[J]. 航空学报, 2026, 47(10): 532599-532599.
[7]	唐旭, 谷峰, 马晶晶, 张向荣. 基于视觉-语言预训练模型的高光谱-激光雷达联合分类方法[J]. 航空学报, 2026, 47(10): 139-158.
[8]	王飞鸣, 李孟霖, 屈阳, 潘斌. 融合小波引导与结构增强的SAR图像扩散超分辨[J]. 航空学报, 2026, 47(10): 532804-532804.
[9]	陶冶, 汤锦辉, 闫震, 周臣, 王冲. 融合表征转换与模式回归的航迹插补方法[J]. 航空学报, 2026, 47(1): 332106-332106.
[10]	徐建宇, 周莉, 王占学, 是介, 史毫. 基于快速逐线计算模型的高超声速羽流红外辐射计算方法[J]. 航空学报, 2025, 46(8): 630778-630778.
[11]	孟令捷, 李红光, 李新军. 基于地貌类别信息指导的SAR图像仿真方法[J]. 航空学报, 2025, 46(7): 331003-331003.
[12]	赵志浩, 杨照华, 吴云, 余远金. 弱光环境下基于深度学习的单光子计数成像去噪方法[J]. 航空学报, 2025, 46(3): 630531-630531.
[13]	吴付杰, 王博文, 齐静雅, 曹铭智, 桑英俊, 李晟, 张玉珍, 陈钱, 左超. 机载多孔径全景图像合成技术研究进展[J]. 航空学报, 2025, 46(3): 630505-630505.
[14]	吴一全, 童康. 基于深度学习的无人机航拍图像小目标检测研究进展[J]. 航空学报, 2025, 46(3): 30848-030848.
[15]	项子健, 麻震宇, 杨希祥. 基于深度学习的复合材料结构性能参数反演[J]. 航空学报, 2025, 46(24): 231877-231877.