重新审视轻量级卷积神经网络以实现高效高质量的路面裂缝检测
计算机视觉与模式识别
2023-02-01 v2
摘要
像素级道路裂缝检测一直是智能交通系统中的一项挑战性任务。由于天气、光照等外部环境，路面裂缝常呈现低对比度、连续性差以及长宽尺寸各异的特点。然而，现有大多数研究较少关注不同情境下的裂缝数据。同时，近期基于深度卷积神经网络（DCNNs）的算法推动了裂缝检测前沿模型的发展。但它们通常聚焦于为良好性能而设计的复杂模型，却忽视了实际应用中的检测效率。在本文中，针对第一个问题，我们收集了两个分别在雨天和晴天捕获的新数据库（即 Rain365 和 Sun520），丰富了开源社区的数据。针对第二个问题，我们重新思考如何在优异性能下提升检测效率，进而提出称为 CarNet 的轻量级编码器–解码器架构。具体而言，我们在编码器网络中引入新颖的橄榄形结构，在解码器网络中引入轻量多尺度模块与新上采样方法。大量实验表明，相较先前模型，我们的模型能更好地平衡检测性能与效率。尤其在 Sun520 数据集上，我们的 CarNet 以 ODS F-score 从 0.488 提升至 0.514 显著推进了最先进性能。同时，其检测速度（每秒 104 帧）有所提升，比一些近期专为裂缝检测设计的基于 DCNNs 的算法快几个数量级。
引用
@article{arxiv.2109.05707,
title = {Rethinking Lightweight Convolutional Neural Networks for Efficient and High-quality Pavement Crack Detection},
author = {Kai Li and Jie Yang and Siwei Ma and Bo Wang and Shanshe Wang and Yingjie Tian and Zhiquan Qi},
journal= {arXiv preprint arXiv:2109.05707},
year = {2023}
}
备注
19 pages, 14 figures, 12 tables