弱监督块标签推断网络用于野外高效路面病害检测与识别
计算机视觉与模式识别
2023-04-04 v2
摘要
基于图像的自动路面病害检测与识别对路面养护与管理至关重要。然而,现有基于深度学习的方法在很大程度上忽略了路面图像的具体特征,如高图像分辨率和低病害面积占比,且不可端到端训练。本文提出一系列简单而有效的端到端深度学习方法,称为弱监督块标签推断网络(WSPLIN),用于在不同应用设置下高效解决这些任务。WSPLIN将全监督的路面图像分类问题转化为弱监督的路面块分类问题来求解。具体而言,WSPLIN首先在不同尺度下以不同采集策略将路面图像划分为块,然后采用块标签推断网络(PLIN)推断这些块的标签,以充分利用分辨率和尺度信息。值得注意的是,我们基于病害分布的先验知识设计了块标签稀疏约束,并利用综合决策网络(CDN)以弱监督方式指导PLIN的训练。因此,PLIN生成的块标签提供了可解释的中间信息,如病害的粗略位置和类型。我们在名为CQU-BPDD的大规模沥青路面病害数据集以及增强的Crack500(Crack500-PDD)数据集上评估了我们的方法,后者是从Crack500新构建的路面病害检测增强数据集。大量结果表明,我们的方法在性能和效率上均优于基线方法。WSPLIN的源代码发布于https://github.com/DearCaat/wsplin。
引用
@article{arxiv.2203.16782,
title = {Weakly Supervised Patch Label Inference Networks for Efficient Pavement Distress Detection and Recognition in the Wild},
author = {Sheng Huang and Wenhao Tang and Guixin Huang and Luwen Huangfu and Dan Yang},
journal= {arXiv preprint arXiv:2203.16782},
year = {2023}
}
备注
Accepted by IEEE Transactions on Intelligent Transportation Systems