用于裂缝分割的少样本注意力循环残差 U-Net
计算机视觉与模式识别
2023-03-06 v1 机器学习
图像与视频处理
摘要
近期研究表明深度学习在道路基础设施自动视觉检测中起着关键作用。然而，当前学习方案是静态的，意味着不对用户反馈做动态适应。为克服此缺陷，我们提出一种用于道路裂缝自动分割的少样本学习范式，其基于带有循环残差和注意力模块的 U-Net 架构（R2AU-Net）。该重训练策略在将少量新校正样本输入分类器时，动态微调 U-Net 的权重。大量实验表明，在新数据集 CrackMap（公开于 https://github.com/ikatsamenis/CrackMap）上，所提少样本 R2AU-Net 框架在 Dice 和 IoU 指标上优于其他最先进网络。
引用
@article{arxiv.2303.01582,
title = {A Few-Shot Attention Recurrent Residual U-Net for Crack Segmentation},
author = {Iason Katsamenis and Eftychios Protopapadakis and Nikolaos Bakalos and Anastasios Doulamis and Nikolaos Doulamis and Athanasios Voulodimos},
journal= {arXiv preprint arXiv:2303.01582},
year = {2023}
}
备注
5 pages, 4 figures, 2 tables