基于视觉Transformer和生成对抗网络的自动化道路损害检测
计算机视觉与模式识别
2025-11-18 v1 人工智能
摘要
美国工程师学会对美国基础设施条件进行了评级，道路系统获得了令人沮丧的D等级。道路对区域经济可行性至关重要，但其管理、维护和维修过程仍依赖过时的手动或激光检测方法，既昂贵又耗时。随着来自自动驾驶车辆的实时视觉数据的日益增多，运用计算机视觉（CV）方法进行道路监控，为基础设施 rehabilitation 提供洞见的机会日益增长。本项目探讨了采用前沿CV技术进行道路损害分割的可能性。首先评估了使用生成对抗网络（GANs）生成的合成数据的实用性，以 Assess其对模型训练的有用性。随后采用卷积神经网络（CNNs）进行道路损害分割，随后检查基于MaskFormer的转换器模型。结果表明，GAN生成的数据可提升模型性能，且MaskFormer在mAP50和IoU两个指标上均优于CNN模型。
引用
@article{arxiv.2511.13145,
title = {Automated Road Distress Detection Using Vision Transformersand Generative Adversarial Networks},
author = {Cesar Portocarrero Rodriguez and Laura Vandeweyen and Yosuke Yamamoto},
journal= {arXiv preprint arXiv:2511.13145},
year = {2025}
}