用于自动路面病害检测的迭代优化块标签推断网络
计算机视觉与模式识别
2022-09-09 v3
摘要
我们提出一种名为迭代优化块标签推断网络(IOPLIN)的新型深度学习框架,用于自动检测各类路面病害,而不限于裂缝和坑槽等特定类型。IOPLIN可通过期望最大化启发的块标签蒸馏(EMIPLD)策略仅以图像标签进行迭代训练,并通过从路面图像推断块标签来良好地完成该任务。相较于GoogLeNet和EfficientNet等最先进的单分支CNN模型,IOPLIN具有许多理想特性。它能够处理不同分辨率的图像,并充分利用图像信息,尤其是高分辨率图像,因为IOPLIN从未经缩放的图像块而非缩放后的整图提取视觉特征。此外,它能在训练阶段不使用任何先验定位信息的情况下粗略定位路面病害。为更好评估本方法在实际中的有效性,我们构建了名为CQU-BPDD的大规模沥青路面病害检测数据集,包含60,059张从不同区域、不同时间获取的高分辨率路面图像。在该数据集上的大量结果表明,IOPLIN在自动路面病害检测上优于最先进的图像分类方法。IOPLIN的源代码发布于\url{https://github.com/DearCaat/ioplin},CQU-BPDD数据集可访问于\url{https://dearcaat.github.io/CQU-BPDD/}。
引用
@article{arxiv.2005.13298,
title = {An Iteratively Optimized Patch Label Inference Network for Automatic Pavement Distress Detection},
author = {Wenhao Tang and Sheng Huang and Qiming Zhao and Ren Li and Luwen Huangfu},
journal= {arXiv preprint arXiv:2005.13298},
year = {2022}
}
备注
Published on IEEE Trans on ITS