RS DL
数据
数据：全球首个支持全天候灾害响应的多模态超高分辨率数据集BRIGHT
论文题目：BRIGHT: A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response
论文链接：https://arxiv.org/abs/2501.06019
数据和代码：https://github.com/chenhongruixuan/BRIGHT
介绍
针对这一问题，我们开发并发布了BRIGHT 数据集。BRIGHT是全球首个开源的、多模态、超高分辨率建筑损毁评估数据集，旨在支持基于人工智能的全天候灾害响应。BRIGHT 数据集汇集了灾前的光学影像与灾后的 SAR（合成孔径雷达）影像，涵盖 12 个全球不同地区的灾害事件，空间分辨率高达 0.3 米至 1 米，能够精确刻画单体建筑的损毁情况。与现有的其他数据集相比，BRIGHT 数据集具有以下显著优势：
多灾种覆盖：涵盖 5 类自然灾害（地震、飓风、火灾、洪水、火山喷发）和 2 类人为灾害（爆炸、武装冲突），事件分布广泛，横跨全球 12 个不同地区，尤其关注灾后国际援助需求较高的发展中国家地区。
超高分辨率影像：BRIGHT 集成了灾前光学影像与灾后 SAR（合成孔径雷达）影像，空间分辨率范围为 0.3 米至 1 米，可精确刻画单体建筑的损毁程度，满足灾后精细化评估需求。
多级别损毁标注：所有建筑均经过人工精细标注，并区分为完整、受损和完全损毁三种级别，为构建高精度深度学习模型提供了理想的训练与验证数据。
开源共享与持续更新：我们已在 GitHub 上开源了 [BRIGHT 数据集及相关代码](https://github.com/chenhongruixuan/BRIGHT)，并计划随着新灾害数据的获取持续更新，进一步丰富数据集的多样性与覆盖范围。
实验
IEEE GRSS 数据融合大赛 2025
赛道一: 全天候土地覆盖制图 (https://github.com/cliffbb/DFC2025-OEM-SAR-Baseline): 使用亚米级分辨率的光学和 SAR 数据进行 8 类地表覆盖类型（如林地、道路、建筑等）的自动化识别。在评估阶段，模型仅依赖 SAR 数据，以验证其在真实模态缺失条件下的泛化能力。 赛道二: 全天候建筑损毁评估 (https://github.com/ChenHongruixuan/BRIGHT): 以 BRIGHT 数据集为基础，参赛者需基于灾前光学影像与灾后 SAR 影像，评估建筑在灾害中的损毁程度（背景、完好、受损、完全损毁），助力灾后应急响应与恢复规划。
公众号欢迎优秀作者投稿！投稿说明请查看：投稿说明
2024-10-17
2024-06-09
2024-12-12
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
