基于带结构边缘条件 GAN 的损坏区域分割合成图像增强
计算机视觉与模式识别
2020-05-20 v1 机器学习
摘要
近来社会基础设施老化，其预测性维护已成为重要课题。为监测基础设施状态，桥梁检测由人工或无人机进行。在诊断中，需识别作为主要修复目标的初期损坏区域。但更严重等级的劣化极少发生，且关注损坏区域往往狭窄，故其单图像素占比极小，经验值为 0.6% 至 1.5%。这种关注损坏区域的稀缺性与不平衡性限制了损坏检测性能。若能生成额外的受损图像数据集，或可提升损坏区域分割算法的精度。我们提出一种合成增强流程，利用从由语义标签与结构边缘构成的三类标签到真实损坏图像的图像到图像翻译映射来生成损坏图像。我们使用 Sobel 梯度算子增强结构边缘。实际上，在桥梁检测中，我们采用 208 张发生钢筋外露的 RC 混凝土结构目视检测照片，制备了 840 张尺寸为 224×224 的块图像。我们应用了 FCN-8s、SegNet 与 DeepLabv3+Xception-v2 等流行的逐像素分割算法。我们证明，在用合成增强流程扩充的数据集上重新训练，在预测测试图像时基于平均 IoU、关注损坏区域 IoU、精确率、召回率、BF 分数等指标均取得更高精度。
引用
@article{arxiv.2005.08628,
title = {Synthetic Image Augmentation for Damage Region Segmentation using Conditional GAN with Structure Edge},
author = {Takato Yasuno and Michihiro Nakajima and Tomoharu Sekiguchi and Kazuhiro Noda and Kiyoshi Aoyanagi and Sakura Kato},
journal= {arXiv preprint arXiv:2005.08628},
year = {2020}
}
备注
4 pages, 3 figures. arXiv admin note: text overlap with arXiv:2004.10126