基于增强特征金字塔网络的不平衡 culvert-下水道缺陷分割
计算机视觉与模式识别
2024-08-20 v1 人工智能
摘要
不平衡数据集是现实场景中的重要挑战，导致模型在欠代表征类别上表现不佳，这在基础设施检查中尤为关键。本文提出增强特征金字塔网络（E-FPN），一种用于处理不平衡数据集中 culvert 与下水道管道语义分割的深度学习模型。E-FPN融合稀疏连接模块与深度可分离卷积等架构创新，提高特征提取并处理物体变形。在数据不平衡问题上，模型采用类别分解与数据增强策略。在 culvert-下水道缺陷数据集和一组基准无人机 aerial 语义分割数据集上的实验结果表明，E-FPN相较于最先进的方法平均Intersection over Union（IoU）提升了13.8%和27.2%。此外，类别分解与数据增强联合使用可使模型性能提升约6.9% IoU。该E-FPN为增强多类别现实世界数据集中的目标分割提供了有前景的解决方案，其应用潜力extends beyond culvert-下水道缺陷检测。
引用
@article{arxiv.2408.10181,
title = {Imbalance-Aware Culvert-Sewer Defect Segmentation Using an Enhanced Feature Pyramid Network},
author = {Rasha Alshawi and Md Meftahul Ferdaus and Mahdi Abdelguerfi and Kendall Niles and Ken Pathak and Steve Sloan},
journal= {arXiv preprint arXiv:2408.10181},
year = {2024}
}