分布感知的噪声标签裂缝分割
计算机视觉与模式识别
2024-10-15 v1
摘要
道路裂缝分割对于负责道路基础设施检查、维护和监控的机器人系统至关重要。现有的基于深度学习的裂缝分割方法通常在特定数据集上训练，当应用于未见过的真实场景时，可能导致显著的性能下降。为了解决这个问题，我们引入了SAM-Adapter，它将Segment Anything Model（SAM）的通用知识融入裂缝分割中，展示了增强的性能和泛化能力。然而，SAM-Adapter的有效性受到小规模训练集中噪声标签（包括裂缝的遗漏和错误标记）的限制。在本文中，我们提出了一种创新的联合学习框架，利用分布感知的领域特定语义知识来指导SAM-Adapter的判别学习过程。据我们所知，这是第一种有效最小化噪声标签对SAM-Adapter监督学习不利影响的方法。我们在两个公开的路面裂缝分割数据集上的实验结果证实，我们的方法显著优于现有的最先进技术。此外，在完全未见过的CFD数据集上的评估证明了我们模型的高跨域泛化能力，突显了其在裂缝分割实际应用中的潜力。
引用
@article{arxiv.2410.09409,
title = {Distribution-aware Noisy-label Crack Segmentation},
author = {Xiaoyan Jiang and Xinlong Wan and Kaiying Zhu and Xihe Qiu and Zhijun Fang},
journal= {arXiv preprint arXiv:2410.09409},
year = {2024}
}