利用分类器定位与阈值化生成伪标签的弱监督表面裂缝分割

如今，表面裂缝在公共基础设施上屡见不鲜。近期工作已通过机器学习方法支持结构维护措施来解决此问题。这些方法用于从背景中分割表面裂缝，使其更易定位。然而，一个常见问题是，为创建运行良好的算法，训练数据需包含属于裂缝的像素的详细标注。我们的工作提出了一种弱监督方法，以新颖方式利用 CNN 分类器来创建表面裂缝伪标签。首先，我们利用分类器通过其类激活图与基于块的分类方法创建粗略裂缝定位图，并将其与基于阈值化的方法融合以分割主要较暗的裂缝像素。分类器有助于抑制背景区域的噪声，标准阈值化方法常将这些区域误高亮为裂缝。随后，伪标签可在端到端方法中用于训练标准 CNN 进行表面裂缝分割。我们的方法被证明能产生足够准确的伪标签。这些标签在采用多种近期裂缝分割架构的分割 CNN 训练中被纳入，在四个流行裂缝分割数据集上取得了与全监督方法相当的性能。