知识卡片：HASTE：面向灾后建筑快速损毁评估的无代码平台

• 一句话结论：HASTE 是一个面向非机器学习专家的无代码Web平台，仅凭灾后卫星影像和少量人工标注，即可在数小时内生成逐建筑的损毁地图，已在30余次实际灾害响应中得到验证。

• 事件概述或研究问题：当大型灾害发生时，救援人员需要在几小时内获得哪些建筑受损的地图。现有公开基准上的高性能模型通常假设有匹配的灾前/灾后影像，并且训练集来自类似的历史事件——新灾害发生第一天这两者往往都不可得。HASTE（High-speed Assessment and Satellite Tracking for Emergencies）旨在解决这一问题，让不具备机器学习技能的分析人员也能快速产出逐建筑的损毁评估。

• 方法/产品要点：

  • HASTE 是一个无代码（no-code）Web平台，用户仅需在浏览器中操作。
  • 平台集成两种方法，共享同一界面：
    1. 语义分割法：用户对灾后场景标注多边形，平台基于该单场景训练一个轻量语义分割模型，将像素级输出映射到现有建筑足迹上。
    2. 嵌入+逻辑回归法：用预训练视觉模型提取每个建筑足迹的嵌入向量，用户仅需标注少量建筑，平台在浏览器内拟合一逻辑回归模型，数秒内即可对场景中其余建筑评分。
  • 平台基于开源代码（GitHub: microsoft/haste）实现，自2023年起已在30余次真实灾害响应中部署（地震、飓风、气旋、洪水、野火、龙卷风等），从影像获取到向人道主义伙伴交付结果通常仅需数小时至数天。

• 主要结果或产业意义：

  • 在 xBD 基准上的初步实验表明：使用基础模型（foundation model）在足迹上的池化嵌入，仅凭灾后影像即可将受损建筑与完好建筑分开，效果与完全监督的 ResNet-50 基线相当，而所需标注量仅为后者的 1/20。
  • HASTE 及其前身已在真实救灾中交付成果，证明该方法具备实用性和可部署性。

• 为什么重要：

  • 突破了传统方法对匹配灾前/灾后影像和大量训练数据的依赖，使首次响应的窗口从数天缩短到数小时。
  • 降低了灾害评估的技术门槛，使一线的人道主义分析人员（非AI工程师）也能独立操作。
  • 与既有知识卡片的区别：本卡片聚焦灾害响应领域的即时性需求，与青光眼诊断、逆合成评估、交通标志评估等主题无重叠。

• 局限与不确定性：

  • 论文仅在 xBD 上报告了初步实验，更广泛的泛化性能（如不同卫星传感器、不同建筑风格、极高密度城区）尚待核实。
  • 方法依赖现有建筑足迹数据集，在足迹数据缺失或过时的区域可能无法直接应用。
  • 用户标注的质量和数量会影响两种方法的最终精度，平台未提供自动质量控制机制。
  • 未来方向包括视觉-语言评估、主动学习以及道路等基础设施的损毁模型——当前尚未实现。

• 可用于图书/PPT/简报的角度：

  • 案例：AI 如何帮助人道主义响应？展示 HASTE 在真实灾害（例如土耳其地震、某飓风）中从影像输入到地图输出的时间线对比。
  • 技术亮点：基础模型嵌入 + 少量样本逻辑回归 vs 完全监督深度学习，效率提升20倍标注量。
  • 可扩展性：开源平台及Microsoft团队后续计划，适合作为“AI for Good”或“计算社会学”章节的当代案例。

• 原始材料：

  • arXiv 论文：https://arxiv.org/abs/2607.11838v1
  • 开源代码：https://github.com/microsoft/haste
  • 英文标题：HASTE: A Platform for Rapid Post-Disaster Building Damage Assessment
  • 英文关键词：post-disaster building damage assessment, HASTE, foundation model, no-code platform, satellite imagery, rapid response