HASTE: A Platform for Rapid Post-Disaster Building Damage Assessment
HASTE 是一个开源、无代码的网络平台，能够让非专家分析师利用单场景语义分割或少样本基础模型嵌入技术，快速从灾后卫星图像中生成逐建筑损毁图，自 2023 年以来已成功支持了超过三十次真实的灾害响应。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，一场巨大的灾难降临了——可能是飓风、地震或山火。在最初的几个小时里，救援队正忙于确定向哪里派遣援助。他们需要知道：哪些建筑还屹立着，哪些已经被压垮了？ 通常，了解这一情况的唯一方法是派人在地面上逐一清点。但这需要好几天时间，而时间正在一分一秒地流逝。
这就是 HASTE（高时效评估与卫星追踪技术，High-speed Assessment and Satellite Technology for Emergencies）登场的时候了。把 HASTE 想象成一把用于灾区场景的“魔法画笔”。它是一个网站，能让普通的分析师（即使不是编程高手）也能在短短几小时内，将最新的卫星照片转化为建筑损毁地图。
旧有“AI”的问题所在
大多数试图完成这项工作的计算机程序就像是只为某一次特定考试而学习的学生。它们是在同一地点“灾前”和“灾后”的照片对上进行训练的。但在真实的紧急情况下，你往往没有一张干净的“灾前”照片（它可能已经缺失多年，或者根本不存在），而且新的灾难看起来与 AI 之前学习过的案例完全不同。论文指出，这些陈旧且僵化的模型在面对混乱的现实世界时往往会失效。它们需要一个几乎不存在的“完美匹配”。
HASTE 的工作原理：两种绘图方式
HASTE 提供了两种不同的工具，取决于你拥有的时间以及可以查看的照片数量。
方法 1：“单场景”艺术家
假设你有一张风暴过后城市混乱的新照片。一位分析师在一些建筑周围画了几条线，并说明：“这个坏了，”以及“这个是好的。”
- 魔法之处： HASTE 会根据这些线条，立即为这张特定的照片训练一个微型的定制 AI。它会学习当天独特的碎片外观和光照情况。
- 结果： 它会扫描整幅图像，将每个像素涂成“受损”或“完好”，然后将这些像素与建筑轮廓图进行匹配。
- 代价： 训练和运行大约需要一到两个小时。这就像雇佣了一位能在实战中快速上手的专家，但需要一点时间来进入状态。
方法 2：“即时”侦探
这种方法更快，且不需要强大的后台计算机。
- 魔法之处： HASTE 使用了一个超级智能的预训练“视觉大脑”（基础模型），它已经见过数百万张图像。它将每一个建筑轮廓转化为一个独特的数字指纹（即“嵌入”）。
- 行动： 分析师只需在浏览器中点击少量的建筑，将其标记为“损坏”或“正常”。
- 结果： 一个微小的数学公式（逻辑回归）直接在浏览器中运行，连接起指纹与标签之间的纽带。它能瞬间为视图中的每一栋建筑评分。
- 速度： 如果你有一台笔记本电脑，它每秒可以为 10 万栋建筑评分。这就像拥有一个侦探，只需看一眼线索，就能瞬间推测出整个社区的情况。
证据：它真的有效吗？
作者使用了一个名为 xBD 的著名数据集来测试这些想法，该数据集包含了 19 种不同类型的灾害。
- 发现： 他们发现方法 2 的效率极高。仅使用 1% 的标注数据（极小比例的建筑），“即时侦探”方法的准确度得分（称为 ROC-AUC）达到了 0.84。
- 对比： 一个在相同极少量 1% 数据上训练的传统重型 AI 模型（ResNet-50），其得分仅为 0.77。更令人惊讶的是，“即时侦探”方法仅使用 10% 的标签，其表现就超过了使用 100% 标签训练的传统模型（得分分别为 0.91 对 0.88）。
- 注意事项： 论文谨慎地指出，这些都是初步实验。他们认为这种方法很有前景，但目前尚未“解决”建筑损毁评估的全部问题。不过，结果有力地表明，我们可以用极少的数据获得极佳的效果。
现实世界的英雄行为
这不仅仅是理论。自 2023 年以来，HASTE 及其早期版本已在 31 场真实灾害中提供了帮助，包括土耳其地震、茂宜岛山火以及牙买加的飓风。
- 茂宜岛山火： 在拉海纳火灾发生后，团队在上午 9 点拿到卫星照片，并在下午 1 点前交付了损毁地图。他们识别出了 1,700 栋受损建筑，其验证样本的准确率高达 97%。
- 飓风梅丽莎： 在牙买加，他们绘制了超过 2,300 平方公里的地图，估算了某一区域内的 31,000 栋受损建筑，并附带了“置信区间”（统计范围）以展示其确定程度。
它做不到的事（局限性）
论文非常诚实地说明了 HASTE 无法 做到的事情。
- 它不能取代地面上的实地勘察。 它只能看到从太空可见的部分。如果屋顶完好但内部被毁，HASTE 是无法察觉的。
- 它的判断较为保守。 由于它依赖建筑轮廓，如果一栋建筑被压垮且碎片散落在轮廓之外，地图可能会遗漏它。这意味着这些地图擅长说“这绝对是安全的”（高特异性），但可能会漏掉一些受损建筑（较低的敏感性）。
- 云层是天敌。 如果云层覆盖了区域，地图会将这些建筑标记为“未知”。在牙买加，云层遮挡了某一区域的 65,000 栋建筑。
未来展望
作者建议，下一步的工作包括教 AI “说话”（利用视觉语言模型来解释为什么一栋建筑受损）、通过主动学习询问分析师提供最有帮助的标签，以及将工具扩展到检查道路和桥梁，而不只是房屋。
简而言之，当时间紧迫时，HASTE 提供了一种快速、灵活且准确性惊人的方式，能让你通过几次点击，就获得一张具有生命价值的大局观损毁图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。