基于编码器-解码器架构的路面裂缝自动检测
计算机视觉与模式识别
2020-07-15 v1 机器学习
图像与视频处理
摘要
受计算机视觉与目标检测中深度学习发展的启发，所提出的算法考虑了一种具有分层特征学习和空洞卷积的编码器-解码器架构，称为 U-分层空洞网络（U-HDN，U-Hierarchical Dilated Network），以端到端方式执行裂缝检测。具有多上下文信息的裂缝特征能够自动学习并执行端到端裂缝检测。随后，提出了一种嵌入于编码器-解码器架构中的多空洞率模块。不同空洞率的空洞卷积可将多种上下文尺寸的裂缝特征整合进该多空洞率模块，从而获取更丰富的裂缝信息。最后，设计分层特征学习模块以从高到低层卷积层获取多尺度特征，并将其整合以预测逐像素的裂缝检测。在包含 118 张图像的公共裂缝数据库上进行了若干实验，并将结果与其他方法在同一图像上的结果进行了比较。结果表明，所提出的 U-HDN 方法取得了高性能，因为它能比其他算法提取并融合不同上下文尺寸与不同层级的特征图。
引用
@article{arxiv.2007.00477,
title = {Automatic Crack Detection on Road Pavements Using Encoder Decoder Architecture},
author = {Zhun Fan and Chong Li and Ying Chen and Jiahong Wei and Giuseppe Loprencipe and Xiaopeng Chen and Paola Di Mascio},
journal= {arXiv preprint arXiv:2007.00477},
year = {2020}
}