DIS-Mine：地下矿山恶劣照明条件下的灾害感知实例分割
计算机视觉与模式识别
2024-11-21 v1
摘要
地下矿山中检测灾害（如爆炸和结构损坏）长期以来一直是一大挑战。对于急救人员而言，这一问题更为棘手，因为他们往往没有关于损害范围或性质的明确信息。矿内恶劉照明或完全黑暗的环境使得救援行动异常困难，导致死亡人数不断增加。本文提出了一种新型实例分割方法，称为 DIS-Mine，专为识别地下矿山恶劣照明条件下的灾害区域而设计，旨在帮助急救人员进行救援。DIS-Mine 能够在完全黑暗环境中检测物体，通过解决高噪声、颜色失真和对比度降低等挑战。DIS-Mine 的关键创新点基于四个核心组件：i) 图像亮度改善，ii) 集成 SAM 的实例分割，iii) 基于 Mask R-CNN 的分割，iv) 基于特征匹配的掩码对齐。此外，我们收集了来自实验性地下矿山的真实图像，构建了一个名为 ImageMine 的新型数据集，专为恶劣可见性条件收集。该数据集用于验证 DIS-Mine 在真实具有挑战性环境中的性能。我们在 ImageMine 数据集以及多个其他数据集上进行了全面实验，表明 DIS-Mine 在实例分割任务中实现了 86.0% 的 F1 分数和 72.0% 的 mIoU，超越了当前先进的实例分割方法，在目标检测中至少提升 15 倍，精度提升最高可达 80%。
引用
@article{arxiv.2411.13544,
title = {DIS-Mine: Instance Segmentation for Disaster-Awareness in Poor-Light Condition in Underground Mines},
author = {Mizanur Rahman Jewel and Mohamed Elmahallawy and Sanjay Madria and Samuel Frimpong},
journal= {arXiv preprint arXiv:2411.13544},
year = {2024}
}