基于掩码注意力特征增强与标签相关性学习的多标签下水管道缺陷识别
计算机视觉与模式识别
2024-08-02 v1
摘要
多种缺陷类别共存以及严重的类别不平衡问题显著影响下水管道缺陷的检测。为解决此问题，提出了一种基于掩码注意力引导的特征增强与标签相关性学习的多标签管道缺陷识别方法。该方法仅使用 Sewer-ML 训练数据集的 1/16 即达到了当前近似最先进的分类性能，在完整数据集上以 F2 指标衡量超越了当前最优方法 11.87%，同时证明了模型的优越性。本研究的主要贡献是开发了一种更高效的模型，用于识别和定位下水管道图像中的多种缺陷，以实现更精确的下水管道状况评估。此外，通过采用类激活图，我们的方法能够准确地定位图像中的多种缺陷类别，展示了模型强大的可解释性。我们的代码已发布于 \href{https://github.com/shengyu27/MA-Q2L}{\textcolor{black}{https://github.com/shengyu27/MA-Q2L}}。
引用
@article{arxiv.2408.00489,
title = {Multi-label Sewer Pipe Defect Recognition with Mask Attention Feature Enhancement and Label Correlation Learning},
author = {Xin Zuo and Yu Sheng and Jifeng Shen and Yongwei Shan},
journal= {arXiv preprint arXiv:2408.00489},
year = {2024}
}
备注
Accepted by the Journal of Computing in Civil Engineering