精准裁剪粘贴：面向道路损伤检测的内容与透视感知数据增强

道路铺装损伤可发展为裂缝、坑洞、碎石等问题，给道路结构的完整性、安全性和耐久性带来重大挑战。检测和监控这些损伤的演变对于维护道路状况和结构健康至关重要。近年来，研究者探索了多种数据驱动方法用于基于图像的损伤检测。该领域因引入道路损伤检测挑战（RDDC2018）而受到关注，鼓励开发针对来自不同国家街景图像的目标检测器。领先团队表明，集成模型（主要基于 YOLO 和 Faster R-CNN 系列）效果良好。数据增强也在目标检测中显示出优势，包括随机翻转、裁剪、裁剪出块以及粘贴复制对象实例。将粘贴复制应用于道路损伤似乎是增加数据多样性的有前景的方法。然而，标准的粘贴复制技术（即从随机图像中采样对象实例并随机粘贴到目标图像上）在道路损伤检测中效果有限。该方法忽略了道路位置，忽略了注入损伤与目标图像之间的透视差异，导致生成不真实的增强图像。本文提出一种改进的粘贴复制增强技术，既考虑道路真实位置的内容感知，又考虑注入损伤与目标图像之间透视差异的透视感知。