WP-CrackNet：面向弱监督道路裂缝检测的端到端协作对抗学习框架
计算机视觉与模式识别
2025-10-21 v1
摘要
道路裂缝检测是智慧城市中智能基础设施维护的关键任务。为减少对高成本像素级标注的依赖，我们提出了WP-CrackNet，这是一种端到端的弱监督方法，仅使用图像级标签即可完成像素级裂缝检测。WP-CrackNet集成了三个组件：生成类激活图(CAMs)的分类器、衡量特征可推导性的重构器，以及生成像素级道路裂缝检测结果的检测器。在训练过程中，分类器和重构器交替进行对抗学习，以鼓励裂缝CAM覆盖完整的裂缝区域，而检测器则从经后处理裂缝CAM生成的伪标签中学习。这种三组件之间的相互反馈显著提高了学习稳定性和检测精度。为进一步提升检测性能，我们设计了基于路径的注意力模块(PAAM)，通过建模空间和通道依赖性，将分类器的高层语义与重构器的低层结构线索进行融合。此外，还提出了基于中心高斯加权和一致性约束的中心增强CAM一致性模块(CECCM)，以细化裂缝CAM，实现更优的伪标签生成。我们创建了三个图像级数据集，大量实验表明，WP-CrackNet的检测性能与监督方法相当，且优于现有的弱监督方法，显著推动了可扩展的道路检验。源代码包和数据集已提供于 https://mias.group/WP-CrackNet/。
引用
@article{arxiv.2510.17566,
title = {WP-CrackNet: A Collaborative Adversarial Learning Framework for End-to-End Weakly-Supervised Road Crack Detection},
author = {Nachuan Ma and Zhengfei Song and Qiang Hu and Xiaoyu Tang and Chengxi Zhang and Rui Fan and Lihua Xie},
journal= {arXiv preprint arXiv:2510.17566},
year = {2025}
}