Natural and man-made disasters cause huge damage to built infrastructures and results in loss of human lives. The rehabilitation efforts and rescue operations are hampered by the non-availability of accurate and timely information regarding the location of damaged infrastructure and its extent. In this paper, we model the destruction in satellite imagery using a deep learning model employing a weakly-supervised approach. In stark contrast to previous approaches, instead of solving the problem as change detection (using pre and post-event images), we model to identify destruction itself using a single post-event image. To overcome the challenge of collecting pixel-level ground truth data mostly used during training, we only assume image-level labels, representing either destruction is present (at any location) in a given image or not. The proposed attention-based mechanism learns to identify the image-patches with destruction automatically under the sparsity constraint. Furthermore, to reduce false-positive and improve segmentation quality, a hard negative mining technique has been proposed that results in considerable improvement over baseline. To validate our approach, we have collected a new dataset containing destruction and non-destruction images from Indonesia, Yemen, Japan, and Pakistan. On testing-dataset, we obtained excellent destruction results with pixel-level accuracy of 93% and patch level accuracy of 91%. The source code and dataset will be made publicly available. .

自然和人为灾难对已建成的基础设施造成巨大破坏，并导致人员伤亡。由于无法获得有关受损基础设施的位置及其范围的准确，及时的信息，阻碍了恢复工作和救援行动。在本文中，我们使用采用弱监督方法的深度学习模型对卫星影像中的破坏进行建模。与以前的方法形成鲜明对比的是，我们没有使用变化检测（使用事件前和事件后图像）解决问题，而是使用单个事件后图像进行建模以识别破坏本身。为了克服收集训练期间经常使用的像素级地面真实数据的挑战，我们仅假设图像级标签，表示给定图像中是否存在破坏（在任何位置）。所提出的基于注意力的机制学会了在稀疏约束下自动识别具有破坏的图像斑块。此外，为了减少假阳性并提高分割质量，已经提出了一种硬性阴性挖掘技术，该技术导致相对于基线的显着改进。为了验证我们的方法，我们收集了一个新的数据集，其中包含来自印度尼西亚，也门，日本和巴基斯坦的破坏和非破坏图像。在测试数据集上，我们获得了极好的破坏效果，像素级精度为93％，补丁级精度为91％。源代码和数据集将公开可用。。已经提出了一种坚硬的负性开采技术，该技术导致相对于基线的显着改善。为了验证我们的方法，我们收集了一个新的数据集，其中包含来自印度尼西亚，也门，日本和巴基斯坦的破坏和非破坏图像。在测试数据集上，我们获得了极好的破坏效果，像素级精度为93％，补丁级精度为91％。源代码和数据集将公开可用。。已经提出了一种坚硬的负性开采技术，该技术导致相对于基线的显着改善。为了验证我们的方法，我们收集了一个新的数据集，其中包含来自印度尼西亚，也门，日本和巴基斯坦的破坏和非破坏图像。在测试数据集上，我们获得了极好的破坏效果，像素级精度为93％，补丁级精度为91％。源代码和数据集将公开可用。。源代码和数据集将公开可用。。源代码和数据集将公开可用。。