論文の概要: Crack Semantic Segmentation using the U-Net with Full Attention Strategy
- arxiv url: http://arxiv.org/abs/2104.14586v1
- Date: Thu, 29 Apr 2021 18:16:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 13:32:13.804206
- Title: Crack Semantic Segmentation using the U-Net with Full Attention Strategy
- Title（参考訳）: 完全注意戦略を用いたu-netを用いた亀裂セグメンテーション
- Authors: Fangzheng Lin, Jiesheng Yang, Jiangpeng Shu, Raimar J. Scherer
- Abstract要約: 本稿では,画像セマンティクスセグメンテーションのためのフルアテンションu-netという新しい人工ニューラルネットワークアーキテクチャを提案する。
U-net、Attention U-net、Advanced Attention U-net、Full Attention U-netの4つのネットワークをセルイメージでテストし、競合研究を行った。
平均的な交差オーバーユニオンとエッジ識別の明確性に関して、Full Attention U-netは検証に最善を尽くします。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structures suffer from the emergence of cracks, therefore, crack detection is
always an issue with much concern in structural health monitoring. Along with
the rapid progress of deep learning technology, image semantic segmentation, an
active research field, offers another solution, which is more effective and
intelligent, to crack detection Through numerous artificial neural networks
have been developed to address the preceding issue, corresponding explorations
are never stopped improving the quality of crack detection. This paper presents
a novel artificial neural network architecture named Full Attention U-net for
image semantic segmentation. The proposed architecture leverages the U-net as
the backbone and adopts the Full Attention Strategy, which is a synthesis of
the attention mechanism and the outputs from each encoding layer in skip
connection. Subject to the hardware in training, the experiments are composed
of verification and validation. In verification, 4 networks including U-net,
Attention U-net, Advanced Attention U-net, and Full Attention U-net are tested
through cell images for a competitive study. With respect to mean
intersection-over-unions and clarity of edge identification, the Full Attention
U-net performs best in verification, and is hence applied for crack semantic
segmentation in validation to demonstrate its effectiveness.
- Abstract（参考訳）: 構造体はひび割れの発生に悩まされるため、ひび割れ検出は構造体の健康モニタリングにおいて常に問題となる。
ディープラーニング技術の急速な進歩とともに、画像セマンティックセグメンテーション(能動的研究分野)は、より効率的でインテリジェントなクラック検出のための別のソリューションを提供する。
本稿では,画像セマンティクスセグメンテーションのためのフルアテンションu-netという新しい人工ニューラルネットワークアーキテクチャを提案する。
提案アーキテクチャはU-netをバックボーンとして利用し,アテンション機構と各符号化層からの出力をスキップ接続で合成するフルアテンション戦略を採用する。
トレーニングのハードウェアに従うと、実験は検証と検証で構成されます。
検証では,U-net,Attention U-net,Advanced Attention U-net,Full Attention U-netの4つのネットワークをセルイメージを用いてテストし,競合研究を行った。
平均交叉対とエッジ識別の明確性に関して、Full Attention U-netは検証において最良であり、その有効性を実証するために、検証におけるセマンティックセグメンテーションに適用される。
関連論文リスト
- UP-CrackNet: Unsupervised Pixel-Wise Road Crack Detection via Adversarial Image Restoration [23.71017765426465]
本稿では,UP-CrackNet と呼ばれる非教師付き画素単位の道路亀裂検出ネットワークを提案する。
提案手法はまずマルチスケールの正方形マスクを生成し,特定領域を除去して無害道路画像をランダムに選別する。
生成的敵ネットワークは、周辺未破壊領域から学習した意味的文脈を活用することにより、腐敗した領域を復元するように訓練される。
論文 参考訳（メタデータ） (2024-01-28T12:51:01Z) - Concrete Surface Crack Detection with Convolutional-based Deep Learning
Models [0.0]
き裂検出は、建物の構造的健康モニタリングと検査に重要である。
畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。
我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
論文 参考訳（メタデータ） (2024-01-13T17:31:12Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳（メタデータ） (2023-08-13T10:07:46Z) - Learning-Based Defect Recognitions for Autonomous UAV Inspections [1.713291434132985]
我々は,Alexnet,VGG,Resnetなどの古典的ネットワークアーキテクチャに基づくひび割れ検出のためのディープラーニングフレームワークを実装した。
特徴ピラミッドネットワークアーキテクチャにヒントを得て、階層的畳み込みニューラルネットワーク(CNN)ディープラーニングフレームワークも提案されている。
また, 各種コンクリート構造物のひび割れ検査作業のために, 無人航空機の自動点検のための枠組みも提案する。
論文 参考訳（メタデータ） (2023-02-13T04:25:05Z) - A comparative study of attention mechanism and generative adversarial
network in facade damage segmentation [0.0]
意味的セグメンテーションの質を向上させるための最も一般的な戦略は、注意機構と生成的敵ネットワークである。
本稿では,代表的な畳み込みニューラルネットワークであるU-netを一次ネットワークとして採用し,二つのステップで比較研究を行う。
論文 参考訳（メタデータ） (2022-09-27T09:59:32Z) - Open-set Adversarial Defense with Clean-Adversarial Mutual Learning [93.25058425356694]
本稿では, オープンセット認識システムは, 対向サンプルに対して脆弱であることを示す。
これらの観測により,我々はオープンセット・ディフェンス(OSAD)機構の必要性を強調した。
本稿では,OSAD問題に対する解決策として,OSDN-CAML(Create-Adversarial Mutual Learning)を用いたオープンセット防衛ネットワークを提案する。
論文 参考訳（メタデータ） (2022-02-12T02:13:55Z) - What's Cracking? A Review and Analysis of Deep Learning Methods for
Structural Crack Segmentation, Detection and Quantification [0.9449650062296824]
本レビューは,ディープラーニングを利用したひび割れ解析アルゴリズムの分野における論文の概要を研究者に提供することを目的としている。
コンピュータビジョンアルゴリズムを適用して、構造的な健康モニタリング環境でひび割れを表面化することで解決される様々なタスクを概説する。
レビューではまた、クラックに使用される一般的なデータセットと、それらのアルゴリズムのパフォーマンスを評価するために使用されるメトリクスを強調している。
論文 参考訳（メタデータ） (2022-02-08T08:22:26Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-03T10:54:02Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z) - Depthwise Non-local Module for Fast Salient Object Detection Using a
Single Thread [136.2224792151324]
本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。
提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
論文 参考訳（メタデータ） (2020-01-22T15:23:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。