SHARP-Net：用于管线与水管缺陷分割的精细化金字塔网络
计算机视觉与模式识别
2024-08-20 v1 人工智能
摘要
本文提出了语义哈尔-适应精炼金字塔网络（SHARP-Net），这是一种新型语义分割架构。SHARP-Net集成了具有不同滤波器大小（3x3和5x5）的Inception类模块、并行最大池化以及额外的空间检测层，以捕获多尺度特征和细节结构。网络中各处采用深度可分离卷积以降低复杂度。SHARP-Net的自上而下路径通过上采样和使用和深度可分离卷积进行信息融合，生成高分辨率特征。我们使用自开发的具有挑战性的管线-水管缺陷数据集以及基准DeepGlobe土地覆盖数据集对模型进行评估。实验结果表明，基线模型（不包含哈尔特征）在处理不规则缺陷形状、遮挡和类别不平衡问题方面效果良好，优于U-Net、CBAM U-Net、ASCU-Net、FPN和SegFormer等最先进方法，在管线-水管缺陷数据集和DeepGlobe土地覆盖数据集上分别实现了14.4%和12.1%的平均IoU提升，分别为77.2%和70.6%。此外，训练时间显著缩短。此外， carefully 选取并微调的哈尔特征至少提高了深度学习模型的性能20%。融合哈尔特征的SHARP-Net实现了惊人的94.75%的IoU，相较于基线模型提升了22.74%。这些特征也被应用于其他深度学习模型，显示出35.0%的提升，证明其通用性和有效性。因此，SHARP-Net为解决实际场景中准确语义分割提供了强大且高效的解决方案。
引用
@article{arxiv.2408.08879,
title = {SHARP-Net: A Refined Pyramid Network for Deficiency Segmentation in Culverts and Sewer Pipes},
author = {Rasha Alshawi and Md Meftahul Ferdaus and Md Tamjidul Hoque and Kendall Niles and Ken Pathak and Steve Sloan and Mahdi Abdelguerfi},
journal= {arXiv preprint arXiv:2408.08879},
year = {2024}
}