FPCNet：基于编码器-解码器架构的快速路面裂缝检测网络
计算机视觉与模式识别
2019-07-05 v1
摘要
及时、准确且自动地检测路面裂缝，对于制定具有成本效益的道路养护决策十分必要。传统的裂缝检测算法侧重于设计单一或多个裂缝特征及分类器。然而，复杂的拓扑结构、不同程度的损坏以及油污使得裂缝特征的设计十分困难。此外，在设计中并未充分研究裂缝周围的上下文信息。因此，这些设计特征具有有限的判别适应性，且无法与分类器有效融合。为解决这些问题，本文提出一种用于路面裂缝检测的深度学习网络。利用编码器-解码器结构，自动学习具有多上下文的裂缝特征，并实现端到端的裂缝检测。具体而言，我们首先提出多膨胀（MD）模块，该模块可通过多种膨胀率的空洞卷积合成多上下文尺寸的裂缝特征。该模块获得的裂缝MD特征能够描述不同宽度和拓扑的裂缝。接下来，我们提出SE-上采样（SEU）模块，其利用压缩激励（Squeeze-and-Excitation）学习操作来优化MD特征。最后，集成上述两个模块构建快速裂缝检测网络，即FPCNet。该网络逐步持续优化MD特征，以实现快速的像素级裂缝检测。我们在具有挑战性的公开CFD数据集和G45裂缝数据集上进行了实验，这些数据集包含不同拍摄条件下各类裂缝。在所有数据集上显著的性能和速度提升表明，所提方法优于其他最先进的裂缝检测方法。
引用
@article{arxiv.1907.02248,
title = {FPCNet: Fast Pavement Crack Detection Network Based on Encoder-Decoder Architecture},
author = {Wenjun Liu and Yuchun Huang and Ying Li and Qi Chen},
journal= {arXiv preprint arXiv:1907.02248},
year = {2019}
}