CrackNex：基于Retinex理论的无人机巡检少样本低光照裂缝分割模型
计算机视觉与模式识别
2024-11-01 v1
摘要
混凝土结构的常规视觉巡检对于维护关键基础设施的安全与完整性至关重要。此类视觉巡检有时会在低光照条件下进行，例如检查桥梁健康状况。由于裂缝与其周围环境之间的对比度较差，在此类条件下进行裂缝分割具有挑战性。然而，大多数深度学习方法是为光照充足的裂缝图像设计的，因此其在低光照场景下的性能急剧下降。此外，传统方法需要许多带标注的低光照裂缝图像，这非常耗时。在本文中，我们通过提出CrackNex来解决这些挑战，该框架利用基于Retinex理论的反射率信息来帮助模型学习统一的照度不变表示。此外，我们利用少样本分割来解决训练数据低效的问题。在CrackNex中，从支持集中提取了支持原型和反射率原型。然后，设计了一个原型融合模块来整合来自这两个原型的特征。CrackNex在多个数据集上优于SOTA方法。此外，我们提出了第一个用于低光照裂缝分割的基准数据集LCSD。LCSD包含102张光照充足的裂缝图像和41张低光照裂缝图像。数据集和代码可在 https://github.com/zy1296/CrackNex 获取。
引用
@article{arxiv.2403.03063,
title = {CrackNex: a Few-shot Low-light Crack Segmentation Model Based on Retinex Theory for UAV Inspections},
author = {Zhen Yao and Jiawei Xu and Shuhang Hou and Mooi Choo Chuah},
journal= {arXiv preprint arXiv:2403.03063},
year = {2024}
}
备注
8 pages, 4 figures, IEEE International Conference on Robotics and Automation (ICRA) 2024