基于 Detectron2 与 Faster R-CNN 的道路损坏检测与分类
计算机视觉与模式识别
2020-10-29 v1
摘要
道路在生活的诸多方面至关重要，而道路维护对于人类安全至关重要。为了实现道路损坏的及时修复，一项关键任务是快速且高效地检测并分类这些损坏。本工作详述了针对这些任务所评估的策略与实验。具体而言，我们使用不同的基础模型与配置评估了 Detectron2 对 Faster R-CNN 的实现。我们还利用 Global Road Damage Detection Challenge 2020（IEEE Big Data 2020 Big Data Cup Challenge 的一个赛道）数据集对这些方法进行了实验。结果表明，采用 Detectron2 默认配置的 X101-FPN 基础模型的 Faster R-CNN 高效且具备足够的通用性，可迁移至该挑战赛中不同国家的数据。该方法在挑战赛的 test1 与 test2 集合上分别取得了 51.0% 与 51.4% 的 F1 分数。尽管可视化结果显示出良好的预测效果，F1 分数仍偏低。因此，我们还将预测结果与现有标注进行比对，发现了一些不一致之处。为此，我们也提出了改进该数据集标注过程的策略。
引用
@article{arxiv.2010.15021,
title = {Road Damage Detection and Classification with Detectron2 and Faster R-CNN},
author = {Vung Pham and Chau Pham and Tommy Dang},
journal= {arXiv preprint arXiv:2010.15021},
year = {2020}
}
备注
Under review for Global Road Damage Detection Challenge 2020, A Track in the IEEE Big Data 2020 Big Data Cup Challenge