基于跨任务图神经网络解码器的下水道管道缺陷与属性多任务分类
计算机视觉与模式识别
2021-11-16 v1
摘要
排水基础设施是现代社会中最为重要且昂贵的基础设施之一。为高效管理排水基础设施，必须利用自动化下水道检测。然而，尽管下水道缺陷分类已被研究数十年，却鲜有关注下水道管道属性（如水位、管道材质和管道形状）的分类，而这些属性是评估管道劣化等级所必需的。本工作中我们同时分类下水道管道缺陷与属性，并提出一种新颖的以解码器为中心的多任务分类架构——跨任务图神经网络（Cross-Task Graph Neural Network, CT-GNN），其利用跨任务信息精炼各任务独立的预测。CT-GNN 架构通过利用跨任务图与独特的类节点嵌入，扩展了传统的独立任务头解码器。该跨任务图既可基于任务类间的条件概率先验确定，也可使用自注意力动态确定。CT-GNN 可添加至任意骨干网络并以端到端方式训练，仅小幅增加参数量。我们在 Sewer-ML 数据集的四项分类任务上均取得最先进（state-of-the-art）性能，将缺陷分类和水位分类分别提升 5.3 和 8.0 个百分点。我们同时优于单任务方法及其他多任务分类方法，且引入的参数量比以往的以模型为中心的方法少 50 倍。代码与模型可在项目页 http://vap.aau.dk/ctgnn 获取。
引用
@article{arxiv.2111.07846,
title = {Multi-Task Classification of Sewer Pipe Defects and Properties using a Cross-Task Graph Neural Network Decoder},
author = {Joakim Bruslund Haurum and Meysam Madadi and Sergio Escalera and Thomas B. Moeslund},
journal= {arXiv preprint arXiv:2111.07846},
year = {2021}
}
备注
WACV 2022