Robust Building Damage Detection in Cross-Disaster Settings Using Domain Adaptation

Cette étude démontre que l'adaptation de domaine supervisée est indispensable pour assurer une détection robuste des dommages aux bâtiments dans des contextes de catastrophes non vus, atteignant un score Macro-F1 de 0,5552 sur le jeu de données Ida-BD grâce à une approche d'ensemble en deux étapes.

L'essentiel

🌪️ Le Problème : Le Détective qui se perd dans une nouvelle ville

Imaginez que vous avez un détective très intelligent, entraîné à reconnaître les dégâts des ouragans. Ce détective a passé des années à étudier des photos de la Californie (le domaine source). Il connaît par cœur les types de toits, la couleur des arbres et la façon dont les maisons sont construites là-bas.

Maintenant, imaginez qu'on envoie ce même détective en Louisiane, après l'ouragan Ida (le domaine cible).

• Le choc : Les maisons sont différentes, les arbres sont différents, et même la caméra qui a pris les photos est différente.
• La catastrophe : Sans aide, notre détective est perdu. Il regarde une maison détruite et dit : "C'est intact !" ou il voit un arbre cassé et crie : "C'est une maison effondrée !" C'est ce que les chercheurs appellent le "décalage de domaine" (domain shift). Le détective ne fait pas confiance à ses propres yeux parce que l'environnement a changé.

🛠️ La Solution : Des lunettes de traduction et un entraînement intensif

Les auteurs de ce papier (Asmae et Shruti) ont créé une méthode en deux étapes pour aider ce détective à s'adapter, comme si on lui donnait des lunettes de traduction et un stage intensif sur place.

1. Les deux étapes de l'entraînement (Le Pipeline)

Au lieu de demander au détective de tout faire d'un coup, ils ont divisé le travail :

• Étape 1 : Trouver les maisons (Localisation).
  Avant même de juger si une maison est abîmée, le détective doit juste dire : "Où sont les maisons ?" et "Où est le sol ?". C'est comme dessiner un contour autour de chaque bâtiment sur la photo. Cela évite de confondre un tas de débris avec une maison.
• Étape 2 : Juger les dégâts (Classification).
  Une fois qu'on sait où sont les maisons, on regarde à l'intérieur du contour pour voir l'état : "Aucun dégât", "Dégâts mineurs", "Dégâts majeurs" ou "Détruit".

2. Les lunettes magiques (L'Adaptation de Domaine)

C'est ici que la magie opère. Le détective a déjà vu des milliers de photos, mais pas celles de la Louisiane.

• Sans lunettes (Sans adaptation) : Le détective échoue lamentablement. Il ne reconnaît rien. C'est comme essayer de parler français en étant bloqué dans un pays où tout le monde parle japonais.
• Avec lunettes (Avec Adaptation de Domaine Supervisée - SDA) : On prend le détecte et on le fait s'entraîner spécifiquement sur quelques photos de la Louisiane. On lui dit : "Regarde, ici les toits sont rouges, pas bleus. Ici, l'eau est boueuse." Cela réajuste son cerveau pour qu'il comprenne le nouveau contexte.
  • Résultat : Sans cette étape, le système échoue totalement. Avec elle, il devient fiable.

3. Les filtres photo (L'Augmentation)

Pour aider le détective à voir les détails cachés, les chercheurs ont ajouté des "filtres" aux images, comme sur Instagram, mais pour la science :

• Le contraste (CLAHE) : Comme augmenter la luminosité d'une photo sombre pour voir les fissures.
• Les contours (Edge Detection) : Comme un crayon qui trace les bords des objets pour mieux voir où ils commencent et finissent.
• Le "Nettoyage" (Unsharp Masking) : C'est le gagnant ! Imaginez que vous prenez une photo floue et que vous ajoutez un peu de netteté pour faire ressortir les détails fins, comme une fissure dans un mur ou des tuiles cassées.

🏆 Le Résultat Gagnant

Les chercheurs ont testé plein de combinaisons. Ils ont découvert que :

1. L'adaptation de domaine est indispensable. C'est la clé de voûte. Sans elle, tout s'effondre.
2. Le filtre "Nettoyage" (Unsharp Masking) est le meilleur allié. En combinant l'entraînement sur place (SDA) avec ce filtre qui rend les détails très nets, le détective atteint son meilleur niveau de performance.

En chiffre : Leur système a réussi à identifier correctement les dégâts dans 55,5 % des cas difficiles (un score très élevé pour ce genre de tâche complexe), alors que sans adaptation, il était presque nul.

🤖 Pourquoi c'est important pour nous ?

Dans les situations de catastrophe (ouragans, tremblements de terre), le temps est précieux.

• Avant : Des humains devaient regarder des centaines de photos satellites pour trouver les maisons détruites. C'était lent.
• Aujourd'hui : Grâce à ce système, l'ordinateur fait le gros du travail. Il repère les zones critiques.
• Le rôle humain : Les humains (les pompiers, les décideurs) ne passent plus leur temps à chercher des maisons. Ils utilisent l'information fiable de l'ordinateur pour prendre des décisions rapides : "Envoiez les secours ici, cette maison est détruite !"

En résumé

Ce papier nous dit que pour qu'une intelligence artificielle fonctionne bien dans une nouvelle situation (un nouvel ouragan, une nouvelle ville), on ne peut pas juste lui donner des règles générales. Il faut lui faire faire un stage sur place (Adaptation de Domaine) et lui donner des outils pour mieux voir les détails (Filtres d'image). C'est la seule façon de créer un système de confiance qui peut sauver des vies en aidant les humains à réagir vite.

Résumé technique

1. Problématique

L'évaluation rapide des dommages structurels à partir d'images satellitaires est cruciale pour la réponse aux catastrophes. Cependant, les modèles d'apprentissage profond entraînés sur des ensembles de données de référence (comme xBD) souffrent souvent d'une dégradation significative des performances lorsqu'ils sont déployés dans des régions géographiques ou des scénarios de catastrophes non vus lors de l'entraînement. Ce phénomène, appelé décalage de domaine (domain shift), est causé par des différences dans les capteurs d'imagerie, les environnements géographiques, les conditions atmosphériques et les types de catastrophes.

Dans les systèmes homme-machine (HMS) de gestion des catastrophes, ce manque de fiabilité érode la confiance des décideurs humains. L'absence d'adaptation du modèle peut conduire à une incapacité totale à détecter les dommages dans de nouveaux contextes, rendant les outils d'automatisation inutiles pour la prise de décision critique.

2. Méthodologie

Les auteurs proposent une pipeline d'apprentissage en deux étapes combinant l'apprentissage par transfert et l'adaptation de domaine supervisée (SDA) pour classer les dommages des bâtiments en quatre catégories de sévérité (Aucun, Mineur, Majeur, Détruit).

A. Pipeline à deux étapes

1. Étape 1 : Localisation binaire des bâtiments.
   • Un modèle segmente l'image pour distinguer les bâtiments du fond (arrière-plan).
   • Cette étape utilise des modèles pré-entraînés sur le jeu de données xBD (source) et est affinée (fine-tuning) sur le jeu de données cible Ida-BD (Hurricane Ida, Louisiane).
   • Le masque de localisation généré sert de "porte" (gating) pour l'étape suivante, assurant que la classification des dommages ne s'applique qu'aux pixels de bâtiments.
2. Étape 2 : Classification des dommages.
   • Le modèle prend en entrée une représentation à six canaux combinant les images pré- et post-catastrophe.
   • Il est également pré-entraîné sur xBD et affiné sur Ida-BD via SDA.
   • La sortie est une carte de prédiction à quatre classes de dommages.

B. Adaptation de Domaine Supervisée (SDA)

Contrairement à une approche où les poids pré-entraînés sont appliqués directement sans ajustement, la méthode utilise la SDA pour aligner la distribution des données de la source (xBD) sur celle de la cible (Ida-BD). Les expériences montrent que sans cette étape, le modèle échoue presque totalement sur le jeu de données cible.

C. Techniques d'Augmentation et de Fusion

L'étude explore l'impact de différentes stratégies d'augmentation d'images pour améliorer la robustesse face aux variations d'apparence :

• Détection de contours (Edge Detection) : Met en évidence les limites structurelles (toits, murs).
• Amélioration du contraste (CLAHE) : Accentue les motifs subtils liés aux dommages dans des conditions d'éclairage variables.
• Masquage flou (Unsharp Masking) : Renforce les détails haute fréquence (fissures, débris, fragmentation des toits).
• Fusion : Combinaison pondérée de l'image originale et des trois transformations.

3. Contributions Clés

• Pipeline Ensembliste à deux étapes : Une architecture combinant la localisation et la classification avec des techniques de fusion d'augmentation, surpassant les résultats précédents sur le jeu de données Ida-BD.
• Analyse d'ablation systématique : Une étude approfondie démontrant que l'adaptation de domaine est indispensable et que l'ajout de toutes les augmentations simultanément n'est pas toujours optimal.
• Validation sur un scénario réel non vu : Le modèle est testé sur des données de l'ouragan Ida (Ida-BD), un domaine cible distinct des données d'entraînement xBD, validant la capacité de généralisation inter-catastrophes.

4. Résultats Expérimentaux

Les expériences ont été menées sur le jeu de données Ida-BD (87 paires d'images) en utilisant la métrique Macro-F1 (moyenne harmonique des F1 pour chaque classe de dommage).

• Impact de la SDA : Sans adaptation de domaine, le Macro-F1 chute à 0,1736, avec des scores quasi nuls pour les classes "Mineur", "Majeur" et "Détruit". Avec la SDA, les performances s'améliorent drastiquement, prouvant que l'adaptation est critique pour la fiabilité.
• Meilleure Configuration : La combinaison RGB + Masquage flou (Unsharp Masking) + SDA obtient les meilleurs résultats globaux avec un Macro-F1 de 0,5552.
  • Cette configuration améliore particulièrement la détection des bâtiments "Détruits" (F1 = 0,5156), une classe critique pour les opérations de sauvetage.
• Comparaison avec l'état de l'art :
  • Par rapport à la méthode de référence [16] utilisant la même configuration, la méthode proposée améliore le score "Majeur" de 0,192 à 0,556 (+190 %) et le score "Détruit" de 0,117 à 0,516 (+341 %).
• Observation sur la fusion complète : L'ajout simultané de toutes les techniques d'augmentation (Fusion complète) s'avère contre-productif, introduisant des signaux contradictoires qui dégradent la classification des classes minoritaires.

5. Signification et Conclusion

Ce travail démontre que pour intégrer des modules d'évaluation des dommages automatisés dans des systèmes de gestion des catastrophes (HMS), l'adaptation de domaine supervisée est non optionnelle mais essentielle.

• Fiabilité Opérationnelle : Sans SDA, les modèles ne peuvent pas être utilisés dans des scénarios de catastrophes inédits, ce qui compromet la sécurité humaine.
• Optimisation des Features : L'étude révèle que l'amélioration des détails haute fréquence (via le masquage flou) est plus efficace pour détecter les dommages sévères que la simple fusion de toutes les augmentations.
• Impact sur la prise de décision : En fournissant des prédictions équilibrées et fiables sur tout le spectre des dommages, cette approche permet aux opérateurs humains de se concentrer sur la supervision et la prise de décision stratégique plutôt que sur l'analyse manuelle fastidieuse.

En conclusion, la combinaison d'un pipeline à deux étapes, d'une adaptation de domaine supervisée et d'une sélection judicieuse des augmentations d'images (notamment le masquage flou) constitue une solution robuste pour la détection des dommages dans des contextes de catastrophes croisés.