LangGas：在选择性零样本背景减除中引入语言用于半透明气体泄漏检测，附带新数据集
计算机视觉与模式识别
2025-05-06 v3 人工智能
摘要
气体泄漏构成了需要预防的重大危险。传统上，人类检查被用于检测，这是一个缓慢且劳动密集的过程。近期研究已将机器学习技术应用于此问题，但仍缺乏高质量、公开可用的数据集。本文引入了一个合成数据集SimGas，具有多样化的背景、干扰前景物体、多样化的泄漏位置和精确的分割真实标注。我们提出了一种零样本方法，结合背景减除、零样本目标检测、滤波和分割来利用该数据集。实验结果表明，我们的方法显著优于仅基于背景减除和零样本目标检测加分割的基线方法，达到了69%的IoU。我们还展示了各种提示配置和阈值设置的分析，以提供对方法性能的更深入见解。最后，由于缺乏真实标注，我们在GasVid上进行了定性测试，并在真实世界数据集上取得了不错的结果。数据集、代码和完整的定性结果可在 https://github.com/weathon/Lang-Gas 获取。
引用
@article{arxiv.2503.02910,
title = {LangGas: Introducing Language in Selective Zero-Shot Background Subtraction for Semi-Transparent Gas Leak Detection with a New Dataset},
author = {Wenqi Guo and Yiyang Du and Shan Du},
journal= {arXiv preprint arXiv:2503.02910},
year = {2025}
}