基于U-Net的卷积神经网络自动路面裂缝分割
计算机视觉与模式识别
2020-07-01 v4
摘要
自动路面裂缝图像分割具有挑战性，因为图像存在固有的不规则模式、光照条件和噪声。传统方法需要大量特征工程以区分裂缝区域与非受损区域。在本文中，我们提出一种基于卷积神经网络的深度学习技术，对路面裂缝图像执行分割任务。与其他机器学习技术相比，我们的方法所需特征工程极少。我们提出了一种基于U-Net的网络架构，其中将编码器替换为预训练的ResNet-34神经网络。我们采用基于周期性学习率的“单周期”训练调度以加速收敛。我们的方法在CFD数据集上达到96%的F1分数，在Crack500数据集上达到73%，优于在这些数据集上测试的其他算法。我们对各种有助于获得边际性能提升的技术进行了消融研究，即添加空间与通道压缩激励(SCSE)模块、以逐渐增大的图像尺寸训练，以及以不同学习率训练不同神经网络层。
引用
@article{arxiv.2001.01912,
title = {Automated Pavement Crack Segmentation Using U-Net-based Convolutional Neural Network},
author = {Stephen L. H. Lau and Edwin K. P. Chong and Xu Yang and Xin Wang},
journal= {arXiv preprint arXiv:2001.01912},
year = {2020}
}
备注
Accepted for publication in IEEE Access