DeepLabV3+ 在不同主干网络下用于钢材缺陷自动检测的性能分析
计算机视觉与模式识别
2020-04-16 v2
摘要
我们的工作在大批量钢材图像上实验了具有不同主干网络的 DeepLabV3+,旨在自动检测不同类型的钢材缺陷。我们的方法采用随机加权增强来平衡训练集中不同类型的缺陷。随后将具有三种不同主干网络(ResNet、DenseNet 和 EfficientNet)的 DeepLabV3+ 模型应用于钢材图像上缺陷区域的分割。基于实验,我们发现采用 ResNet101 或 EfficientNet 作为主干网络在测试集上可达到最佳的 IoU 分数,约为 0.57,而使用 DenseNet 时为 0.325。此外,以 ResNet101 为主干网络的 DeepLabV3+ 模型训练时间最少。
引用
@article{arxiv.2004.04822,
title = {Analysis on DeepLabV3+ Performance for Automatic Steel Defects Detection},
author = {Zheng Nie and Jiachen Xu and Shengchang Zhang},
journal= {arXiv preprint arXiv:2004.04822},
year = {2020}
}
备注
10 pages, 30 figures