基于自监督学习的热成像热点检测与隔离
计算机视觉与模式识别
2023-08-28 v1
摘要
利用热成像进行热点检测近来在诸多工业应用中变得至关重要，例如安防应用、健康应用与设备监测应用。在工业安全中热点检测极为重要，因为设备可能出现异常。热点是此类异常的早期指示。我们通过提出一种自监督学习方法来解决热图像中的热点检测问题。自监督学习已展现出作为其监督学习对应方法具竞争力的替代方案的潜力，但其在热成像中的应用有限。这是由于缺乏多样化数据、领域特定的预训练模型、标准化基准等。我们提出一种自监督表示学习方法，随后进行微调，通过分类改进热点检测。基于 SimSiam 网络的集成分类器判定图像是否包含热点。热点检测之后进行精确的热点隔离。借此，我们能够提供高准确且精确的热点识别，可广泛应用于各类场景。我们创建了一个新型大规模热图像数据集，以解决易获取热图像匮乏的问题。我们使用自建数据集与公开可用的分割数据集进行的实验，展示了我们的方法在热点检测上的潜力及其以高精度隔离热点的能力。我们取得了 0.736 的 Dice 系数，为现有热点识别技术中的最高值。我们的实验还表明自监督学习是监督学习的强劲竞争者，为热点检测提供具竞争力的指标，我们方法的最高准确率达 97%。
引用
@article{arxiv.2308.13204,
title = {Self-supervised learning for hotspot detection and isolation from thermal images},
author = {Shreyas Goyal and Jagath C. Rajapakse},
journal= {arXiv preprint arXiv:2308.13204},
year = {2023}
}