基于深度域自适应的路面裂缝检测
计算机视觉与模式识别
2023-02-14 v3
摘要
基于深度学习的路面裂缝检测方法通常需要带有详细裂缝位置信息的大规模标注来学习准确预测。然而实践中，由于路面裂缝视觉形态多样，裂缝位置极难人工标注。本文提出一种基于深度域自适应的裂缝检测网络（DDACDN），其利用源域知识学习域不变特征，以预测目标域中多类裂缝位置信息，而目标域仅有图像级标签可用。具体而言，DDACDN 首先通过双分支权重共享骨干网络从源域与目标域提取裂缝特征。为实现跨域自适应，通过聚合各域特征空间中三尺度特征构建中间域，使源域裂缝特征适配至目标域。最终该网络融合两域知识并训练以识别与定位路面裂缝。为便于域自适应的准确训练与验证，我们使用两个具挑战性的路面裂缝数据集 CQU-BPDD 与 RDD2020。此外，我们构建了名为 CQU-BPMDD 的新大规模沥青路面多标签病害数据集，含 38994 张高分辨率路面病害图像，以进一步评估模型鲁棒性。大量实验表明 DDACDN 在目标域裂缝位置预测上优于当前最优路面裂缝检测方法。
引用
@article{arxiv.2111.10101,
title = {Deep Domain Adaptation for Pavement Crack Detection},
author = {Huijun Liu and Chunhua Yang and Ao Li and Sheng Huang and Xin Feng and Zhimin Ruan and Yongxin Ge},
journal= {arXiv preprint arXiv:2111.10101},
year = {2023}
}
备注
Published on IEEE Transactions on Intelligent Transportation Systems