TDBOSegNet: A Semantic Segmentation Model for Typical Disaster-Bearing Objects in UAV Images of Flood Disasters
Notice bibliographique
Résumé
In recent years, the intensifying effects of climate change have led to an increase in natural disasters, posing significant challenges to ecosystems. Unmanned Aerial Vehicles (UAVs), with their rapid deployment and high flexibility, play a crucial role in capturing high-resolution, multi-angle imagery of flood-affected areas. The ability to quickly and accurately identify typical disaster-bearing objects (such as inundated roads and buildings) from UAV images is essential for effective disaster assessment and rescue operations. In this paper, we introduce TDBOSegNet, a semantic segmentation model designed specifically to identify typical disaster-bearing objects in UAV-captured flood images and determine whether they are inundated. The model employs an encoder-decoder architecture, enhanced by a Multi-branch Dilated Residual Block (MDRB), a Segment Anything Model (SAM) block, and an Atrous Spatial Pyramid Pooling (ASPP) module, which together improve feature extraction and segmentation performance. Experimental results on the FloodNet dataset show that TDBOSegNet achieves a mean IoU of 81.81%, precision of 90.45%, recall of 89.52%, and an F1 score of 0.8992, outperforming five classic and two state-of-the-art semantic segmentation models used for comparison. These results demonstrate the impressive prowess of TDBOSegNet in accurately segmenting disaster-bearing objects in UAV imagery, providing significant support for disaster assessment and emergency response efforts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».