PRO会员通讯
编辑 | ScienceAI
这是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，论文和数据集已公开，作者团队来自东京大学（UTokyo），理化学研究所（RIKEN），苏黎世联邦理工学院（ETH Zurich）和微软亚洲研究院（MSRA)。
论文链接：https://arxiv.org/abs/2501.06019
数据集：https://github.com/chenhongruixuan/BRIGHT
近年来，自然灾害和人为灾害频发，给全球范围内的人类社会带来了重大影响。快速而精准的灾后评估尤其是建筑损毁评估，是制定紧急救援决策、减少人员伤亡和财产损失的重要依据。然而，传统基于光学影像的评估方法受到光照和天气条件的限制，难以在极端环境下及时获取有效信息。这一难题亟需突破。
针对这一问题，该团队开发并发布了 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：研究人员已在 GitHub 上开源了 BRIGHT 数据集及相关代码，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。
在实验中，团队采用 BRIGHT 数据集测试了多种先进的深度学习模型，结果验证了其在支持灾害评估方面的显著优势。这些实验结果不仅为未来的灾害响应模型设计提供了基线，还为研究人员探索新方法和技术提供了丰富的资源。
IEEE GRSS 数据融合大赛 2025
值得一提的是，BRIGHT 数据集被选为遥感社区最大的年度竞赛之一 ——— IEEE GRSS 数据融合大赛-赛道二的官方数据集。
相关链接：https://www.grss-ieee.org/technical-committees/image-analysis-and-data-fusion/?tab=data-fusion-contest
2025 年的 IEEE GRSS 数据融合大赛由东京大学、RIKEN、ETH Zurich 和 IEEE GRSS 图像分析与数据融合技术委员会联合主办。本次大赛旨在推动多模态遥感数据在地表监测与灾害响应中的应用与创新，聚焦两大核心任务：
赛道一 全天候土地覆盖制图：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。
相关链接：https://github.com/cliffbb/DFC2025-OEM-SAR-Baseline
赛道二 全天候建筑损毁评估：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。
相关链接：https://github.com/ChenHongruixuan/BRIGHT
四支获胜团队将在遥感最大的会议之一 IGARSS 2025 上展示成果，获得 IEEE 颁发的荣誉证书以及 5000 美元的丰厚奖金。
