在灾害响应与恢复中，快速评估建筑损害至关重要。本研究探讨了空间域特征与频率域表示的结合，展示了它们在捕捉结构线索（如碎片模式和坍塌纹理）方面的互补性。通过对比空间域、频率域以及双域深度学习方法，利用 xView2 (xBD) 数据集中的灾后影像进行多类建筑损害分类。所有模型均以 EfficientNet-B0 为基础，在相同设置下训练，仅在输入表示和融合策略上有所不同。评估指标包括准确率、宏观 F1 分数、每类指标及混淆矩阵。结果显示，双域模型在性能上优于单域模型，其中双空间配置实现了最高测试准确率（0.4688）和最低损失，而空间模型则取得了最佳宏观 F1 分数（0.4254），表明其在类平衡表现上更佳。相反，频率模型表现最差，且存在过拟合现象，表明其泛化能力有限。尽管双域方法在重度损害检测上有所改善，但对于细微损害（尤其是轻微类）的检测仍然存在困难，原因在于类别不平衡和细粒度视觉模糊。这些发现突显了混合表示的优势与局限，激励未来在数据平衡、先进融合及正则化方面的研究进展。
博主点评： 本研究为灾后建筑损害评估提供了重要的视角，尤其是双域模型的应用展示了频率域特征的潜力。然而，模型的泛化能力和对细微损害的识别能力仍需进一步提升。未来的研究可以集中在数据增强和更复杂的融合技术上，以提高模型的鲁棒性和准确性。