用于路面裂缝检测的多粒度上下文信息流建模
计算机视觉与模式识别
2024-04-22 v1
摘要
裂缝检测已成为计算机视觉社区中不可或缺、有趣且具挑战性的任务。特别是，路面裂缝具有高度复杂的空间结构、低对比度背景和弱空间连续性，对有效的裂缝检测方法构成了重大挑战。在本文中，我们从利用裂缝上下文的视角解决这些问题，并提出一种端到端的深度学习方法来建模上下文信息流。为了从图像中精确定位裂缝，有效提取和聚合多粒度上下文至关重要，包括裂缝周围的细粒度局部上下文（空间层级）和粗粒度语义（分割层级）。具体而言，在卷积神经网络（CNN）中，浅层提取的低级特征表示局部信息，而深层提取语义特征。此外，本工作的第二个主要见解是语义上下文应作为局部上下文特征的指导。基于上述见解，所提出的方法首先应用膨胀卷积作为主干特征提取器来建模局部上下文，然后构建上下文指导模块，利用语义上下文在多个阶段指导局部特征提取。为处理各阶段间的标签对齐，我们应用多示例学习（MIL）策略，在分阶段的上下文流中将高级特征与低级特征对齐。此外，与这些公开的裂缝数据集相比，据我们所知，我们发布了最大、最复杂且最具挑战性的沥青路面裂缝（BPC）数据集。在三个裂缝数据集上的实验结果表明，所提出的方法表现良好，并优于当前最先进的方法。
引用
@article{arxiv.2404.12702,
title = {Modeling Multi-Granularity Context Information Flow for Pavement Crack Detection},
author = {Junbiao Pang and Baocheng Xiong and Jiaqi Wu},
journal= {arXiv preprint arXiv:2404.12702},
year = {2024}
}