A Mamba-Based Multimodal Network for Multiscale Blast-Induced Rapid Structural Damage Assessment

📄 arXiv: 2604.11709v1 📥 PDF

作者: Wanli Ma, Sivasakthy Selvakumaran, Dain G. Farrimond, Adam A. Dennis, Samuel E. Rigby

分类: cs.AI

发布日期: 2026-04-13

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于Mamba的多模态网络，用于爆炸诱导的多尺度快速结构损伤评估

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 结构损伤评估 爆炸载荷 多模态融合 Mamba模型 遥感图像

📋 核心要点

  1. 传统结构损伤评估依赖人工，效率低且危险，现有机器学习方法训练成本高，忽略了爆炸物理特性。
  2. 提出一种基于Mamba的多模态网络，融合多尺度爆炸载荷信息和遥感图像，提升评估效率和准确性。
  3. 在2020年贝鲁特爆炸事件数据集上验证，该方法显著优于现有技术，证明了其有效性。

📝 摘要（中文）

准确而快速的结构损伤评估(SDA)对于灾后管理至关重要，有助于救援人员确定资源优先级、规划救援和支持恢复。传统的现场检查虽然精确，但受到可达性、安全风险和时间限制的制约，尤其是在大型爆炸之后。遥感结合机器学习已成为快速SDA的可扩展解决方案，其中基于Mamba的网络取得了最先进的性能。然而，这些方法通常需要大量的训练和大型数据集，限制了实际应用。此外，它们未能纳入用于SDA的爆炸载荷的关键物理特性。为了克服这些挑战，我们提出了一种基于Mamba的多模态网络，用于快速SDA，该网络集成了多尺度爆炸载荷信息与光学遥感图像。在2020年贝鲁特爆炸事件中进行的评估表明，我们的方法显著提高了性能，优于最先进的方法。

🔬 方法详解

问题定义：论文旨在解决爆炸事件后快速准确地评估结构损伤的问题。现有基于机器学习的方法，特别是基于Mamba的模型，虽然在遥感图像处理方面表现出色，但通常需要大量训练数据，并且忽略了爆炸载荷的物理特性，限制了其在实际灾害场景中的应用。

核心思路：论文的核心思路是将爆炸载荷的多尺度信息与光学遥感图像相结合，利用Mamba模型的序列建模能力，学习爆炸载荷与结构损伤之间的复杂关系。通过融合多模态数据，模型能够更全面地理解爆炸事件的影响，从而提高结构损伤评估的准确性和效率。

技术框架：该方法构建了一个基于Mamba的多模态网络。整体流程包括：1) 数据预处理，包括遥感图像的校正和增强，以及爆炸载荷数据的提取和多尺度表示；2) 特征提取，使用卷积神经网络(CNN)提取遥感图像的视觉特征，并使用Mamba模型提取爆炸载荷数据的序列特征；3) 特征融合，将视觉特征和序列特征进行融合，得到多模态表示；4) 损伤评估，使用分类器或回归器对结构损伤程度进行预测。

关键创新：该方法最重要的创新点在于将Mamba模型应用于结构损伤评估，并将其与爆炸载荷信息相结合。与传统的CNN或Transformer模型相比，Mamba模型在处理长序列数据方面具有优势，能够更好地捕捉爆炸载荷的时序依赖关系。此外，多模态融合策略使得模型能够同时利用视觉信息和物理信息，从而提高评估的准确性。

关键设计：在网络结构方面，使用了预训练的CNN模型（如ResNet）提取遥感图像特征，并设计了专门的Mamba模块处理爆炸载荷序列。损失函数方面，可能采用了交叉熵损失（用于分类）或均方误差损失（用于回归）。多尺度爆炸载荷信息的融合可能通过注意力机制或简单的拼接实现。具体的参数设置和超参数优化细节未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该研究在2020年贝鲁特爆炸事件数据集上进行了评估，实验结果表明，所提出的基于Mamba的多模态网络显著优于现有最先进的方法。具体的性能提升数据未知，但摘要强调了“显著提高性能”，表明该方法在结构损伤评估的准确性和效率方面具有明显优势。与仅使用遥感图像或仅考虑爆炸载荷信息的方法相比，该方法的多模态融合策略能够更全面地理解爆炸事件的影响，从而提高评估的准确性。

🎯 应用场景

该研究成果可应用于灾后快速响应和救援行动中，为救援人员提供结构损伤评估信息，辅助决策，优化资源分配。此外，该方法还可用于城市规划和基础设施建设中，评估潜在爆炸风险，提高建筑物抗爆性能，减少灾害损失。未来，该技术有望集成到无人机或其他遥感平台，实现自动化、实时结构损伤评估。

📄 摘要（原文）

Accurate and rapid structural damage assessment (SDA) is crucial for post-disaster management, helping responders prioritise resources, plan rescues, and support recovery. Traditional field inspections, though precise, are limited by accessibility, safety risks, and time constraints, especially after large explosions. Machine learning with remote sensing has emerged as a scalable solution for rapid SDA, with Mamba-based networks achieving state-of-the-art performance. However, these methods often require extensive training and large datasets, limiting real-world applicability. Moreover, they fail to incorporate key physical characteristics of blast loading for SDA. To overcome these challenges, we propose a Mamba-based multimodal network for rapid SDA that integrates multi-scale blast-loading information with optical remote sensing images. Evaluated on the 2020 Beirut explosion, our method significantly improves performance over state-of-the-art approaches. Code is available at: https://github.com/IMPACTSquad/Blast-Mamba