基于隐域背景特征分离与抑制的路面病害检测
计算机视觉与模式识别
2023-10-10 v2
摘要
由于目标区域中道路损坏占比小且背景多样，引入了大量域信息，路面病害检测颇具挑战。此外，病害类别间相似度高，使检测更为困难。本文提出一种新颖的 LDBFSS（隐域背景特征分离与抑制）网络，可在无域监督下执行背景信息分离与抑制，并对目标特征进行对比增强。我们将 LDBFSS 网络与 YOLOv5 模型结合，以增强病害特征，实现更好的路面病害检测。作为 LDBFSS 网络的组成部分，我们首先设计隐域发现模块与域对抗学习模块，通过无监督方法获取伪域标签，引导域判别器与模型进行对抗训练以抑制背景信息。此外，我们引入对比学习模块并设计 k-实例对比损失，通过增大类间距离、减小类内距离来优化病害特征表示。我们在 GRDDC 与 CNRDD 两个路面病害检测数据集上开展实验，并与其他模型比较，结果显示在 GRDDC 数据集上较最优模型提升近 4%，在 CNRDD 数据集上提升 4.6%。实验结果证明了我们模型的有效性与优越性。
引用
@article{arxiv.2309.07616,
title = {Road Disease Detection based on Latent Domain Background Feature Separation and Suppression},
author = {Juwu Zheng and Jiangtao Ren},
journal= {arXiv preprint arXiv:2309.07616},
year = {2023}
}