論文の概要: A Weakly-Supervised Surface Crack Segmentation Method using Localisation
with a Classifier and Thresholding
- arxiv url: http://arxiv.org/abs/2109.00456v1
- Date: Wed, 1 Sep 2021 15:58:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-02 14:18:30.438095
- Title: A Weakly-Supervised Surface Crack Segmentation Method using Localisation
with a Classifier and Thresholding
- Title(参考訳): 分類器とThresholdingを用いた局所化による表面き裂分別法
- Authors: Jacob K\"onig, Mark Jenkins, Mike Mannion, Peter Barrie, Gordon
Morison
- Abstract要約: 近年,機械学習手法による構造維持対策の支援により,この問題に対処する研究が進められている。
本研究は,CNN分類器を用いて表面き裂分割マップを作成する弱教師付きアプローチを提案する。
本稿では,本手法の実装の容易さに焦点をあて,複数の表面き裂データセット上での良好な性能を示す。
- 参考スコア(独自算出の注目度): 0.20999222360659603
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surface cracks are a common sight on public infrastructure nowadays. Recent
work has been addressing this problem by supporting structural maintenance
measures using machine learning methods which segment surface cracks from their
background so that they are easy to localize. However, a common issue with
those methods is that to create a well functioning algorithm, the training data
needs to have detailed annotations of pixels that belong to cracks. Our work
proposes a weakly supervised approach which leverages a CNN classifier to
create surface crack segmentation maps. We use this classifier to create a
rough crack localisation map by using its class activation maps and a patch
based classification approach and fuse this with a thresholding based approach
to segment the mostly darker crack pixels. The classifier assists in
suppressing noise from the background regions, which commonly are incorrectly
highlighted as cracks by standard thresholding methods. We focus on the ease of
implementation of our method and it is shown to perform well on several surface
crack datasets, segmenting cracks efficiently even though the only data that
was used for training were simple classification labels.
- Abstract(参考訳): 最近の公共インフラでは表面クラックがよく見られる。
近年の課題は, 表面ひび割れを背景から分離し, 局所化が容易な機械学習手法を用いて, 構造物の維持管理を支援することにある。
しかし、これらの方法の一般的な問題は、よく機能するアルゴリズムを作成するには、トレーニングデータはクラックに属するピクセルの詳細なアノテーションを持つ必要があることである。
本研究は,CNN分類器を用いて表面き裂分割マップを作成する弱教師付きアプローチを提案する。
この分類器を用いてクラスアクティベーションマップとパッチベースの分類アプローチを用いてラフクラックローカライズマップを作成し、これをしきい値ベースのアプローチと融合して、ほとんど暗いクラックピクセルを分割する。
この分類器は、標準しきい値法によるき裂として誤って強調される背景領域からのノイズの抑制を支援する。
我々は,本手法の実装の容易さに着目し,単純な分類ラベルであるにもかかわらず,複数の表面き裂データセットにおいて,効率的にき裂を分割できることを実証した。
関連論文リスト
- UP-CrackNet: Unsupervised Pixel-Wise Road Crack Detection via
Adversarial Image Restoration [26.647863571012582]
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。
テストフェーズでは、入力画像と復元画像との差を計算してエラーマップを生成し、画素ワイドなクラック検出を可能にする。
論文 参考訳(メタデータ) (2024-01-28T12:51:01Z) - CrackSeg9k: A Collection and Benchmark for Crack Segmentation Datasets
and Frameworks [0.32029168522419355]
ひび割れの検出は, 構造物の健全性を監視し, 構造物の安全性を確保する上で重要な課題である。
何人かの研究者が、従来の画像処理や学習ベースの技術を使ってこの問題に取り組みました。
これらの手法を評価するために使われる指標も文献によって異なるため、テクニックを比較するのが困難である。
本稿では、以前利用可能なデータセットを組み合わせてアノテーションを統合することで、これらの問題に対処する。
論文 参考訳(メタデータ) (2022-08-27T16:47:04Z) - Deep Spectral Methods: A Surprisingly Strong Baseline for Unsupervised
Semantic Segmentation and Localization [98.46318529630109]
画像分解をグラフ分割問題として再フレーミングすることで,従来のスペクトル分割法から着想を得た。
これらの固有ベクトルはすでにイメージを意味のあるセグメントに分解しており、シーン内のオブジェクトのローカライズに容易に利用できる。
データセットにまたがるこれらのセグメントに関連する機能をクラスタ化することで、明確に定義された、名前付き可能なリージョンを得ることができる。
論文 参考訳(メタデータ) (2022-05-16T17:47:44Z) - Leveraging Uncertainty for Deep Interpretable Classification and
Weakly-Supervised Segmentation of Histology Images [25.429124017422385]
深い教師付き手法は、解釈可能性のための画像分類とROIセグメンテーションを可能にする。
これらの手法は、偽陽性率を高める非識別領域を明示的にモデル化するメカニズムを欠いている。
本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
論文 参考訳(メタデータ) (2022-05-12T02:18:23Z) - PointCrack3D: Crack Detection in Unstructured Environments using a
3D-Point-Cloud-Based Deep Neural Network [20.330700719146215]
本稿では,非構造面に対する新しい3Dポイント・クラウド・ベースのき裂検出アルゴリズムであるPointCrack3Dを提案する。
この手法は、新しい大きな天然岩のデータセットで実験的に検証された。
その結果, ひび割れ検出率は全体の97%, ひび割れの100%であり, 最大幅は3cm以上であった。
論文 参考訳(メタデータ) (2021-11-23T02:33:18Z) - Detection of Deepfake Videos Using Long Distance Attention [73.6659488380372]
既存のほとんどの検出方法は、問題をバニラ二項分類問題として扱う。
本稿では,偽顔と実顔の相違が非常に微妙であるため,特にきめ細かな分類問題として扱われる。
大域的な視点で空間的・時間的偽の痕跡を捉えるための2つの要素を持つ時空間モデルを提案する。
論文 参考訳(メタデータ) (2021-06-24T08:33:32Z) - Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。
広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
論文 参考訳(メタデータ) (2021-03-30T00:48:28Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳(メタデータ) (2020-07-10T15:41:29Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳(メタデータ) (2020-05-04T20:03:21Z) - Manifold-driven Attention Maps for Weakly Supervised Segmentation [9.289524646688244]
本稿では,視覚的に有意な領域を強化するために,多様体駆動型注意ネットワークを提案する。
提案手法は,余分な計算を必要とせずに,推論中により優れた注意マップを生成できる。
論文 参考訳(メタデータ) (2020-04-07T00:03:28Z) - Attentive CutMix: An Enhanced Data Augmentation Approach for Deep
Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。
各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。
提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文 参考訳(メタデータ) (2020-03-29T15:01:05Z)
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。