PaveSAM：用于铺装损害的Segment Anything模型
计算机视觉与模式识别
2024-09-12 v1
摘要
使用计算机视觉进行铺装监控可以比手动方法更高效、更准确地分析铺装状况。准确的分割对于量化铺装缺陷的严重程度和范围至关重要，从而影响用于优先处理维修和维护活动的整体状况指数。深度学习基于分割模型然而通常是监督式的，需要像素级标注，这些标注成本高昂且耗时。虽然最近出现的零样本分割模型可以在没有训练数据的情况下为未见类别生成像素级标签，但在裂缝和带纹理的铺装背景不规则性方面仍然不堪一击。本研究提出了一种零样本分割模型PaveSAM，可使用边界框提示对铺装损害进行分割。通过仅使用180张图像对SAM的mask decoder进行重新训练，铺装损害分割实现了突破，使其能够使用边界框提示进行高效分割，这是当前分割模型中所不具备的能力。这不仅大大减少了标注工作和成本，还展示了该模型在最小输入下的卓越性能，确立了SAM在铺装损害分割中的开创性应用。此外，研究人员可以使用现有的开源铺装损害图像（带有边界框标注）创建分割掩码，这增加了分割铺装损害数据集的可用性和多样性。
引用
@article{arxiv.2409.07295,
title = {PaveSAM Segment Anything for Pavement Distress},
author = {Neema Jakisa Owor and Yaw Adu-Gyamfi and Armstrong Aboah and Mark Amo-Boateng},
journal= {arXiv preprint arXiv:2409.07295},
year = {2024}
}