CrackUDA：用于改善民用结构裂缝分割的增量无监督域适应
计算机视觉与模式识别
2024-12-23 v1
摘要
裂缝分割在确保民用结构完整性和地震安全方面发挥着关键作用。然而，现有的裂缝分割算法在数据集之间出现域迁移时难以保持准确性。为此，我们提出一种新型深度网络，采用基于对抗学习的无监督域适应增量训练，能在源域准确率显著不下降的情况下实现目标域适应。我们的方法利用编码器-解码器架构，包含域无关参数与域特定参数。编码器学习所有域共享的裂缝特征，确保对域变异的鲁棒性；同时，解码器的域特定参数捕获每个域独特的特征。通过整合这些组件，我们的模型实现了 improved 的裂缝分割性能。此外，我们引入 BuildCrack 数据集，图像数量和裂缝比例均与著名 CrackSeg9K 数据集的子数据集相当。我们使用 CrackSeg9K 的不同子数据集和自定义数据集对所提方法进行评估。实验结果表明，我们的方法在源域和目标域上分别比其他无监督域适应方法提高了 0.65 和 2.7 mIoU。
引用
@article{arxiv.2412.15637,
title = {CrackUDA: Incremental Unsupervised Domain Adaptation for Improved Crack Segmentation in Civil Structures},
author = {Kushagra Srivastava and Damodar Datta Kancharla and Rizvi Tahereen and Pradeep Kumar Ramancharla and Ravi Kiran Sarvadevabhatla and Harikumar Kandath},
journal= {arXiv preprint arXiv:2412.15637},
year = {2024}
}
备注
Accepted at ICPR 2024. Details and code can be accessed from https://crackuda.github.io