論文の概要: Deep Domain Adaptation for Pavement Crack Detection
- arxiv url: http://arxiv.org/abs/2111.10101v1
- Date: Fri, 19 Nov 2021 08:51:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-22 16:03:13.810372
- Title: Deep Domain Adaptation for Pavement Crack Detection
- Title(参考訳): 舗装き裂検出のための深部領域適応
- Authors: Huijun Liu, Chunhua Yang, Ao Li, Yongxin Ge, Sheng Huang, Xin Feng,
Zhimin Ruan
- Abstract要約: 本稿では,Deep Domain Adaptation-based Crack Detection Network (DDACDN)を提案する。
DDACDNは、ソースドメイン知識を利用して、ターゲットドメイン内の複数カテゴリの亀裂位置情報を予測する。
対象ドメイン上の亀裂位置を予測する際に、最先端の舗装き裂検出方法より優れている。
- 参考スコア(独自算出の注目度): 9.937576059289269
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based pavement cracks detection methods often require
large-scale labels with detailed crack location information to learn accurate
predictions. In practice, however, crack locations are very difficult to be
manually annotated due to various visual patterns of pavement crack. In this
paper, we propose a Deep Domain Adaptation-based Crack Detection Network
(DDACDN), which learns to take advantage of the source domain knowledge to
predict the multi-category crack location information in the target domain,
where only image-level labels are available. Specifically, DDACDN first
extracts crack features from both the source and target domain by a two-branch
weights-shared backbone network. And in an effort to achieve the cross-domain
adaptation, an intermediate domain is constructed by aggregating the
three-scale features from the feature space of each domain to adapt the crack
features from the source domain to the target domain. Finally, the network
involves the knowledge of both domains and is trained to recognize and localize
pavement cracks. To facilitate accurate training and validation for domain
adaptation, we use two challenging pavement crack datasets CQU-BPDD and
RDD2020. Furthermore, we construct a new large-scale Bituminous Pavement
Multi-label Disease Dataset named CQU-BPMDD, which contains 38994
high-resolution pavement disease images to further evaluate the robustness of
our model. Extensive experiments demonstrate that DDACDN outperforms
state-of-the-art pavement crack detection methods in predicting the crack
location on the target domain.
- Abstract(参考訳): 深層学習に基づく舗装ひび割れ検出法では,正確な予測を行うために,詳細なひび割れ位置情報を含む大規模ラベルが必要となることが多い。
しかし, 舗装ひび割れの視覚パターンが多岐にわたるため, 手作業によるひび割れ位置の特定は困難である。
本稿では,DDACDN(Deep Domain Adaptation-based Crack Detection Network)を提案する。DDACDNは,ソースドメインの知識を活用して,画像レベルのラベルのみが利用可能な対象ドメイン内の複数カテゴリの亀裂位置情報を予測する。
具体的には、ddacdnはまず、2分岐重み共有バックボーンネットワークによってソースドメインとターゲットドメインの両方からクラックの特徴を抽出する。
そして、クロスドメイン適応を実現するために、ソースドメインからターゲットドメインへのクラック特徴を適応させるために、各ドメインの特徴空間から3つのスケール特徴を集約して中間ドメインを構築する。
最後に、ネットワークは両方のドメインの知識を含んでおり、舗装の亀裂を認識し、局所化するように訓練されている。
そこで我々は,CQU-BPDD と RDD2020 の2つの難解な舗装き裂データセットを用いた。
さらに,38994枚の高分解能舗装疾患画像を含む,cqu-bpmddと呼ばれる大規模舗装多層疾患データセットを構築し,モデルのロバスト性をさらに評価した。
大規模実験により、DDACDNは対象領域の亀裂位置を予測する上で、最先端の舗装き裂検出法より優れていることが示された。
関連論文リスト
- Two-Stage Adaptive Network for Semi-Supervised Cross-Domain Crater Detection under Varying Scenario Distributions [17.28368878719324]
クロスクレーター検出のための2段階適応ネットワーク(TAN)を提案する。
我々のネットワークはYOLOv5検出器上に構築されており、そこではクロスドメインの一般化能力を高めるために一連の戦略が採用されている。
ベンチマークデータセットによる実験結果から,提案するネットワークは,様々なシナリオ分布下でのクレーター検出の領域適応性を向上できることが示された。
論文 参考訳(メタデータ) (2023-12-11T07:16:49Z) - Unsupervised Adaptation of Polyp Segmentation Models via Coarse-to-Fine
Self-Supervision [16.027843524655516]
本稿では,アノテートされたソースデータへの依存を解消する,ソースフリードメイン適応(Source-Free Domain Adaptation, SFDA)の実践的問題について検討する。
現在のSFDA法は、ソーストレーニングされたモデルからドメイン知識を抽出することに重点を置いているが、対象ドメインの本質的な構造を無視している。
本稿では,領域レベルと画素レベルの識別表現を粗大な自己超越によって学習する,領域間適応ネットワーク(RPANet)と呼ばれる新しいSFDAフレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-13T02:37:08Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。
既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。
我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
論文 参考訳(メタデータ) (2021-07-23T17:19:23Z) - Towards Corruption-Agnostic Robust Domain Adaptation [76.66523954277945]
新しいタスクである破損に依存しないロバストドメイン適応(CRDA:Corruption-agnostic Robust Domain Adaptation)を調査します。
1)予測不能な汚職を模倣するために,ドメインの不一致を拡大するサンプルを生成する,Digital Disrepancy Generator (DDG) と呼ばれる簡単なモジュール,2) 対象ドメインの制約を強化するために,対照的な損失を伴う単純かつ効果的な教師学習方式を提案する。
論文 参考訳(メタデータ) (2021-04-21T06:27:48Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-03-25T14:33:33Z) - Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。
本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。
提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
論文 参考訳(メタデータ) (2021-03-10T16:45:22Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳(メタデータ) (2020-05-14T04:23:24Z) - Domain Adaptive Medical Image Segmentation via Adversarial Learning of
Disease-Specific Spatial Patterns [6.298270929323396]
複数の領域にまたがる画像セグメンテーション性能を向上させるための教師なしドメイン適応フレームワークを提案する。
我々は,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新しいデータに適応するようにアーキテクチャを強制する。
対象領域からのラベルなし画像上でのディープネットワークの再構成により,セグメント化精度が大幅に向上することが実証された。
論文 参考訳(メタデータ) (2020-01-25T13:48:02Z)
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。