CrackGAN：基于生成对抗学习利用部分准确真值进行路面裂缝检测
计算机视觉与模式识别
2020-06-29 v2 机器学习
图像与视频处理
摘要
全卷积网络是用于逐像素语义分割/检测的强有力工具。然而，当使用部分准确的真值（GTs）处理裂缝检测时会出现问题：由于准确 GTs 的不可获得性与数据不均衡，网络可能轻易收敛到将所有像素视为背景（BG）并仍取得非常好损失的状态，称为“全黑”现象。为应对该问题，我们提出裂缝块仅（CPO）监督生成对抗学习用于端到端训练，其通过将更大尺寸的裂缝图像输入非对称 U 形生成器来强制网络始终生成裂缝-GT 图像，同时保留裂缝与 BG 图像翻译能力，从而克服“全黑”问题。所提方法使用四个裂缝数据集进行验证，并在效率与精度上相较近期发表的工作取得了 SOTA 性能。
引用
@article{arxiv.1909.08216,
title = {CrackGAN: Pavement Crack Detection Using Partially Accurate Ground Truths Based on Generative Adversarial Learning},
author = {Kaige Zhang and Yingtao Zhang and Heng-Da Cheng},
journal= {arXiv preprint arXiv:1909.08216},
year = {2020}
}