EIDSeg

EIDSeg是一个像素级语义分割数据集，专门用于从社交媒体图像中进行震后基础设施损伤评估。该数据集包含带有CVAT风格XML标注的图像，涵盖6个类别：未损坏建筑、损坏建筑、碎片、未损坏道路、损坏道路和背景。

EIDSeg is a pixel-level semantic segmentation dataset dedicated to post-earthquake infrastructure damage assessment from social media images. This dataset includes images annotated with CVAT-style XML, covering six categories: undamaged buildings, damaged buildings, debris, undamaged roads, damaged roads, and background.

原始信息汇总

EIDSeg数据集概述

数据集基本信息

• 数据集名称：EIDSeg
• 主要用途：震后基础设施损坏评估的像素级语义分割
• 数据来源：社交媒体图像

数据集结构

类别定义

数据集包含6个语义类别：

• 0: UD_Building（未损坏建筑）
• 1: D_Building（损坏建筑）
• 2: Debris（废墟）
• 3: UD_Road（未损坏道路）
• 4: D_Road（损坏道路）
• 5: void（背景/未指定区域）

数据格式

• 标注格式：CVAT-style XML

• 图像格式：支持JPG、PNG等格式

• 目录结构：

  data/ └── train/ │ ├─ train.xml │ └─ images/ │ └─ default/ │ ├─ 0001.jpg │ ├─ 0002.png │ └─ ... └─ val/ ├─ val.xml └─ images/ └─ default/ ├─ 1001.jpg └─ ...

模型支持

Hugging Face模型

• Mask2Former
• OneFormer
• SegFormer
• BEiT
• EoMT

其他模型

• DeepLabV3+（通过VainF仓库支持）

性能基准

语义分割基准结果

模型	主干网络	预训练数据集	输入尺寸	mIoU (%)	FWIoU (%)	PA (%)	FLOPs (G)	参数量 (M)
DeepLabV3+	ResNet-101	Cityscapes	512²	67.1	68.2	86.0	79.29	58.76
SegFormer	MiT-B5	Cityscapes	512²	74.4	75.2	86.9	110.16	84.60
Mask2Former-S	Swin-S	Cityscapes	512²	76.1	77.1	87.7	93.21	81.42
Mask2Former-L	Swin-L	Cityscapes	512²	77.4	78.4	88.7	250.54	215.45
BEiT-B	ViT-B	ADE20K	640²	78.7	79.6	89.8	1823.53	441.09
BEiT-L	ViT-L	ADE20K	640²	79.0	79.8	89.9	3182.73	311.62
OneFormer	Swin-L	Cityscapes	512²	79.8	80.2	89.8	1042.14	218.77
EoMT	ViT-L	Cityscapes	1024²	80.8	80.9	90.3	1341.85	319.02

各类别IoU结果

模型	UD_Building	D_Building	Debris	UD_Road	D_Road	mIoU (%)
DeepLabV3+	34.5	65.4	77.3	75.7	73.7	67.1
SegFormer	54.9	73.5	82.3	79.9	79.4	74.4
Mask2Former-S	58.9	76.7	83.8	80.2	80.1	76.1
Mask2Former-L	63.5	76.9	84.9	82.0	80.9	77.4
BEiT-B	66.0	76.7	85.1	82.3	78.7	78.7
BEiT-L	66.4	77.9	85.1	82.6	78.7	79.0
OneFormer	68.7	79.7	85.0	84.1	79.9	79.8
EoMT	70.1	80.0	84.6	82.0	87.3	80.8

相关资源

• 论文：AAAI-AISI 2026
• 扩展版本：https://arxiv.org/abs/2511.06456
• Hugging Face数据集：https://huggingface.co/datasets/huilihuang413/EIDSeg
• 分类数据集EID：https://github.com/HUILIHUANG413/Earthquake-Infrastracture-Damage

引用信息

@article{huang2025eidseg, title = {EIDSeg: Post-Earthquake Infrastructure Damage Segmentation Dataset}, author = {Huili Huang and Chengeng Liu and Danrong Zhang and Shail Patel and Anastasiya Masalava and Sagar Sadak and Parisa Babolhavaeji and Weihong Low and Max Mahdi Roozbahani and J.~David Frost}, journal = {arXiv preprint arXiv:https://arxiv.org/abs/2511.06456}, year = {2025} }

搜集汇总

数据集介绍

构建方式

在震后灾害评估领域，EIDSeg数据集通过系统采集社交媒体平台上的真实震后图像构建而成。该数据集采用CVAT格式的XML标注文件，对图像中的基础设施损坏情况进行像素级语义分割标注。标注过程严格遵循六类分类标准，涵盖未损坏建筑、受损建筑、废墟、未损坏道路、受损道路及背景类别，每个多边形标注均精确对应实际物体的空间分布。

使用方法

研究人员可通过克隆GitHub仓库并配置相应环境来使用该数据集。训练流程支持包括Mask2Former、SegFormer、BEiT等Hugging Face模型以及DeepLabV3+架构，用户只需指定训练集与验证集的XML标注文件路径及图像目录即可启动训练。该框架提供完整的训练评估流程，支持图像尺寸调整、数据增强等参数配置，并输出包含最佳模型权重、训练曲线等完整结果的日志文件。

背景与挑战

背景概述

地震灾害评估领域长期依赖传统遥感数据，难以捕捉灾后关键基础设施的细粒度损毁特征。EIDSeg数据集由佐治亚理工学院研究团队于2025年创建，聚焦社交媒体图像中的像素级语义分割任务，通过六类精细标注体系涵盖完好建筑、损毁建筑、废墟堆积及道路状态等关键要素。该数据集填补了灾后即时评估数据空白，为计算机视觉与灾害管理的交叉研究提供了重要基准，其多模态特性显著提升了灾情分析的时空分辨率与可信度。

当前挑战

在解决地震灾损评估领域问题时，EIDSeg需应对社交媒体图像存在的视角多变、光照复杂及遮挡频繁等固有挑战，同时需克服损毁特征与背景环境的语义混淆。数据集构建过程中，研究团队面临社交媒体图像质量参差不齐的标注难题，特别是损毁建筑边缘模糊与道路裂缝细微特征的精准标注，以及六类不平衡样本的分布优化问题，这些因素共同制约着模型对灾损场景的语义理解深度。

常用场景

经典使用场景

在震后灾害评估领域，EIDSeg数据集通过社交媒体图像实现了像素级语义分割的经典应用。该数据集专门针对建筑物损毁、道路损坏及废墟堆积等关键要素进行精细标注，为深度学习模型提供了标准化训练基准。研究人员可借助该数据集构建端到端的损伤识别系统，通过对比未损毁与损毁结构的空间分布特征，系统量化灾害影响范围。

解决学术问题

该数据集有效解决了传统遥感影像在震后评估中存在的时空分辨率不足问题。通过融合社交媒体图像的即时性与丰富视角，显著提升了损伤识别的细粒度特征提取能力。在计算机视觉领域，它推动了跨域语义分割模型的发展，特别是针对灾害场景下类别不平衡、背景干扰等挑战提供了新的解决方案，为应急响应决策提供了可靠的数据支撑。

实际应用

实际部署中，EIDSeg数据集支撑的模型已应用于智能应急响应系统。通过实时解析社交媒体平台上传的灾害现场图像，系统能自动生成损毁热力图，指导救援资源调配。在2023年土耳其地震中，类似技术成功实现了受损建筑群的快速定位，将传统人工勘察效率提升近三倍，显著缩短了灾情评估周期。

数据集最近研究

最新研究方向

在震后基础设施损伤评估领域，EIDSeg数据集正推动像素级语义分割技术的前沿探索。该数据集聚焦社交媒体图像中的建筑与道路损毁识别，通过引入EoMT等先进视觉Transformer模型，在复杂场景下实现了80.8%的mIoU突破。当前研究热点集中于多模态数据融合与实时损伤分析，这些进展为灾害应急响应提供了精准的视觉理解支撑，显著提升了灾后评估的自动化水平与决策效率。