PL-UNeXt：基于逐阶段边缘细节与线特征引导的电力线检测分割模型
计算机视觉与模式识别
2023-09-19 v2
摘要
电力线检测是电力公司的一项关键巡检任务，同时也有助于无人机避障。由于背景复杂且像素占比较低，从航拍图像中准确分离电力线仍具挑战性。为恰当捕获空间边缘细节先验与线特征的引导，我们提出 PL-UNeXt，一种带有增强训练策略的电力线分割模型。我们设计了在边缘空间计算损失的边缘细节头以引导底层细节学习，以及生成辅助分割掩码的线特征头以监督高层线特征学习。得益于该设计，我们的模型在 TTPLA 上达到 70.6 的 F1 分数（+1.9%），在 VITL 上达到 68.41 的 mIoU（+5.2%）（未使用红外图像），同时因推理参数量少而保持了实时性能。
引用
@article{arxiv.2303.04413,
title = {PL-UNeXt: Per-stage Edge Detail and Line Feature Guided Segmentation for Power Line Detection},
author = {Yang Cheng and Zhen Chen and Daming Liu},
journal= {arXiv preprint arXiv:2303.04413},
year = {2023}
}
备注
Accepted to IEEE ICIP 2023