UP-CrackNet：基于对抗图像修复的无监督逐像素道路裂缝检测
计算机视觉与模式识别
2024-05-07 v2 人工智能
图像与视频处理
摘要
在过去十年中，人们开发了自动化方法以更高效、准确和客观地检测裂缝，最终目标是取代传统的人工视觉检查技术。在这些方法中，语义分割算法在逐像素裂缝检测任务中展现出了有前景的结果。然而，训练此类网络需要大量具有像素级标注的人工标注数据集，这是一个高度劳动密集且耗时的过程。此外，基于监督学习的方法在未见数据集上通常难以获得良好的泛化性。因此，我们提出了一种无监督逐像素道路裂缝检测网络，称为 UP-CrackNet。我们的方法首先生成多尺度方形掩码并随机选择它们，通过移除特定区域来破坏无损道路图像。随后，训练生成对抗网络利用从周围未破坏区域学习到的语义上下文来修复被破坏的区域。在测试阶段，通过计算输入图像与修复图像之间的差异生成误差图，从而实现逐像素裂缝检测。我们全面的实验结果表明，UP-CrackNet 优于其他通用无监督异常检测算法，并且与最先进的有监督裂缝分割算法相比，展现出令人满意的性能和优越的泛化性。我们的源代码已在 mias.group/UP-CrackNet 公开。
引用
@article{arxiv.2401.15647,
title = {UP-CrackNet: Unsupervised Pixel-Wise Road Crack Detection via Adversarial Image Restoration},
author = {Nachuan Ma and Rui Fan and Lihua Xie},
journal= {arXiv preprint arXiv:2401.15647},
year = {2024}
}