QuickQuakeBuildings

QuickQuakeBuildings数据集由慕尼黑工业大学创建，专注于快速检测地震后受损建筑物。该数据集包含超过四千个建筑物的卫星图像，包括合成孔径雷达（SAR）和光学数据，旨在通过图像分类任务识别受损与完好建筑。数据来源于2023年土耳其-叙利亚地震后的公开卫星图像和标注。创建过程中，数据集通过精确的建筑物足迹与卫星图像的配准，确保了数据质量。该数据集的应用领域主要集中在灾害响应和城市规划，旨在快速评估地震后的建筑损害情况，为救援和重建工作提供支持。

The QuickQuakeBuildings dataset was created by the Technical University of Munich (TUM), focusing on rapid detection of earthquake-damaged buildings. This dataset contains over 4,000 satellite images of buildings, including Synthetic Aperture Radar (SAR) and optical data, and aims to identify damaged and intact buildings via image classification tasks. The data is sourced from publicly available satellite images and annotations collected after the 2023 Turkey-Syria earthquake. During its development, precise registration between building footprints and satellite imagery was carried out to ensure data quality. The main application areas of this dataset are disaster response and urban planning, with the goal of rapidly assessing post-earthquake building damage to support rescue and reconstruction efforts.

搜集汇总

数据集介绍

构建方式

QuickQuakeBuildings数据集的构建过程首先涉及对2023年土耳其-叙利亚地震后获取的公开卫星影像和标注信息的整合。研究者们利用了Capella Space公司提供的Spotlight SAR影像和Maxar公司提供的光学影像，并将这些影像与Humanitarian OpenStreetMap Team提供的建筑物足迹和损毁建筑物标签相结合。为了确保建筑物足迹与卫星影像的精确配准，研究团队采用了一种基于建筑物特征的算法，该算法利用SAR影像中的双跳线特征与建筑物多边形中的近端边界进行匹配。配准后的影像数据被裁剪成包含每个建筑物的影像块和对应的足迹掩码，并标注为损毁或完整状态，形成最终的训练数据集。

特点

QuickQuakeBuildings数据集的特点在于其包含了超过四千个建筑物的后地震高分辨率SAR和光学影像块，以及对应的建筑物足迹掩码。这些数据均经过精确配准，确保了建筑物轮廓与影像的准确对应。此外，数据集还涵盖了损毁和完整两种状态，为研究地震后建筑物损毁检测提供了宝贵的数据资源。数据集的构建充分考虑了实际应用中的极端类别不平衡问题，将损毁建筑物检测任务定义为二值图像分类问题，同时也可以作为异常检测问题进行研究。

使用方法

使用QuickQuakeBuildings数据集时，研究者可以将其作为训练机器学习和深度学习模型的基准数据，以开发快速检测地震后损毁建筑物的算法。数据集提供的SAR和光学影像块以及对应的足迹掩码可以作为模型的输入，而损毁或完整的标注则作为模型的输出。此外，数据集中的影像块和掩码还可以用于研究不同类型影像在建筑物损毁检测中的表现差异，以及多模态数据融合对损毁检测性能的提升。为了评估模型性能，数据集提供了精确度、召回率、F1分数和AUROC等指标，并建议采用交叉验证的方法进行模型的评估。

背景与挑战

背景概述

地震对建筑结构及基础设施造成巨大破坏，给社会经济带来严重影响。灾后快速准确地识别遥感影像中的地震受损建筑具有重要意义。遥感技术能有效提高灾害管理效率，已被用于评估地震对建筑的破坏程度。高分辨率光学影像易于解读，是许多研究的热门选择。然而，获取无云光学影像受天气条件限制，往往需要等待。相比之下，合成孔径雷达（SAR）影像特别适合快速灾后响应，因为它不受云覆盖和太阳光照条件的影响。此外，现代SAR卫星影像的分辨率提高，能够提取单个建筑级别的信息。过去几年，许多研究人员开发了利用SAR数据检测地震受损建筑的算法。大多数现有工作利用震前和震后SAR影像检测变化，以获取建筑损坏信息。然而，大多数地区震前高分辨率SAR影像通常不可用。一些研究通过比较模拟SAR影像和真实SAR影像来检测地震受损建筑。利用震后SAR影像的一些研究人员通过分析高分辨率SAR数据中毁坏建筑的签名来检测受损建筑。然而，研究区域通常包含数量有限的孤立建筑，并不能描绘人口密集的城市地区的典型条件，在这些地区，SAR影像中通常存在部分遮挡的建筑和几何失真，例如缩短、重叠和阴影。因此，事件后获取的单个高分辨率SAR影像是否能够有效识别受损建筑的问题仍有待解决。在这方面，基准数据集在开发和完善旨在解决以下问题的各种方法中发挥着关键作用：事件后获取的单个高分辨率SAR影像能够在多大程度上以何种准确性识别受损建筑？此外，来自单个事件后SAR影像的结果与光学影像的结果相比如何？从实际角度来看，创建此类数据集存在一些挑战：1）受灾地区高分辨率SAR影像的可用性有限；2）缺乏受损建筑的标签；3）缺乏精确的地形模型，没有这些模型，对齐两者是一项复杂的任务。目前，遥感领域尚不存在此类数据集。这项工作提出了第一个用于检测事件后SAR和光学卫星影像中地震受损建筑的数据集。我们整合了2023年土耳其-叙利亚地震后获取的公开可用的卫星影像和注释，构建了一个包含超过4000座建筑的数

当前挑战

据集，每座建筑都有震后SAR和光学数据的卫星影像块及其与相应影像块共登记的建筑足迹。我们将受损建筑检测问题制定为一个图像分类任务，并基准一系列流行的机器学习和深度学习方法作为基线。由于数据量有限和数据不平衡，该数据集仅作为起点。随着新数据的出现，数据集将进行扩展和更新。我们希望研究界能够参与进一步开发用于SAR影像中震后受损建筑评估的算法，并在可行的情况下分享他们的数据，从而加速灾后受损建筑的识别。

常用场景

经典使用场景

QuickQuakeBuildings数据集为地震后受损建筑物的快速检测提供了重要的数据支持。该数据集整合了2023年土耳其-叙利亚地震后的高分辨率合成孔径雷达（SAR）和光学卫星图像，以及对应的建筑物轮廓和损坏标签。这些数据可以用于训练机器学习和深度学习模型，以自动识别地震后的受损建筑物。这对于灾后救援和管理至关重要，因为它可以加速受损建筑物的识别，从而为救援工作提供宝贵的时间。

解决学术问题

QuickQuakeBuildings数据集解决了地震后受损建筑物检测中存在的几个关键问题。首先，它提供了足够的训练数据，这对于开发鲁棒的算法至关重要。其次，它将受损建筑物检测问题表述为一个二进制图像分类问题，这对于算法开发提供了清晰的框架。此外，该数据集还提供了基线方法和结果，为比较不同方法提供了参考。这些贡献对于推动地震后受损建筑物检测领域的研究具有重要意义。

衍生相关工作

QuickQuakeBuildings数据集的发布促进了相关领域的研究。例如，一些研究使用了该数据集来评估和比较不同的机器学习和深度学习模型，以寻找最佳的受损建筑物检测算法。此外，一些研究还使用了该数据集来开发新的算法，以进一步提高受损建筑物检测的准确性和效率。此外，一些研究还使用了该数据集来探索新的应用场景，例如其他类型的灾害检测和城市规划和管理。总之，QuickQuakeBuildings数据集的发布促进了相关领域的研究，为地震后受损建筑物检测领域的发展做出了重要贡献。