論文の概要: Weakly Supervised Patch Label Inference Networks for Efficient Pavement
Distress Detection and Recognition in the Wild
- arxiv url: http://arxiv.org/abs/2203.16782v1
- Date: Thu, 31 Mar 2022 04:01:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 15:03:15.797073
- Title: Weakly Supervised Patch Label Inference Networks for Efficient Pavement
Distress Detection and Recognition in the Wild
- Title（参考訳）: 野生における効率的な舗装距離検出・認識のためのパッチラベル推論ネットワーク
- Authors: Sheng Huang and Wenhao Tang and Guixin Huang and Luwen Huangfu and Dan
Yang
- Abstract要約: Weakly Supervised Patch Label Inference Networks (WSPLIN) という,シンプルで効果的なエンドツーエンドディープラーニングアプローチを提案する。
WSPLINはまず、異なるスケールで舗装イメージを異なるコレクション戦略のパッチに分割し、それからパッチのラベルを推測するためにパッチラベル推論ネットワーク(PLIN)を使用する。
そこで我々は,CQU-BPDDという大規模舗装救難データセットを用いて本手法の評価を行った。
- 参考スコア（独自算出の注目度）: 14.16549562799135
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatic image-based pavement distress detection and recognition are vital
for pavement maintenance and management. However, existing deep learning-based
methods largely omit the specific characteristics of pavement images, such as
high image resolution and low distress area ratio, and are not end-to-end
trainable. In this paper, we present a series of simple yet effective
end-to-end deep learning approaches named Weakly Supervised Patch Label
Inference Networks (WSPLIN) for efficiently addressing these tasks under
various application settings. To fully exploit the resolution and scale
information, WSPLIN first divides the pavement image under different scales
into patches with different collection strategies and then employs a Patch
Label Inference Network (PLIN) to infer the labels of these patches. Notably,
we design a patch label sparsity constraint based on the prior knowledge of
distress distribution, and leverage the Comprehensive Decision Network (CDN) to
guide the training of PLIN in a weakly supervised way. Therefore, the patch
labels produced by PLIN provide interpretable intermediate information, such as
the rough location and the type of distress. We evaluate our method on a
large-scale bituminous pavement distress dataset named CQU-BPDD. Extensive
results demonstrate the superiority of our method over baselines in both
performance and efficiency.
- Abstract（参考訳）: 自動的な画像ベース舗装災害検出と認識は、舗装維持と管理に不可欠である。
しかし,既存のディープ・ラーニング・ベースの手法は,高精細度や低救難面積比などの舗装画像の特徴をほとんど省略しており,エンドツーエンドの訓練ができない。
本稿では,Wakly Supervised Patch Label Inference Networks (WSPLIN) という,これらのタスクを様々なアプリケーション環境下で効率的に処理するための,シンプルで効果的なエンドツーエンドディープラーニング手法を提案する。
解像度とスケール情報をフル活用するために、WSPLINはまず異なるスケールの舗装画像を異なるコレクション戦略のパッチに分割し、次にパッチのラベルを推測するためにパッチラベル推論ネットワーク(PLIN)を使用する。
特に,難易度分布の事前知識に基づいてパッチラベルの空間性制約を設計し,包括的決定ネットワーク(CDN)を利用してPLINのトレーニングを弱教師付きで指導する。
したがって、PLINが生成するパッチラベルは、粗い位置や苦痛の種類などの解釈可能な中間情報を提供する。
本手法はCQU-BPDDという大規模舗装災害データセットを用いて評価した。
その結果,本手法は性能と効率の両方において,ベースラインよりも優れていることが示された。
関連論文リスト
- Semi-supervised 3D Object Detection with PatchTeacher and PillarMix [71.4908268136439]
現在の半教師付き3Dオブジェクト検出法では、教師が学生に擬似ラベルを生成するのが一般的である。
学生に高品質な擬似ラベルを提供するために,部分的なシーン3Dオブジェクト検出に焦点を当てたPatchTeacherを提案する。
本稿では,PatchTeacherの性能向上のために,Patch Normalizer,Quadrant Align,Fovea Selectionの3つの重要なテクニックを紹介する。
論文 参考訳（メタデータ） (2024-07-13T06:58:49Z) - Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。
既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。
本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-31T13:12:41Z) - PNT-Edge: Towards Robust Edge Detection with Noisy Labels by Learning
Pixel-level Noise Transitions [119.17602768128806]
特に大規模なデータセットでは、エッジの正確なラベル付けは難しい。
本稿では,ラベル破壊過程をモデル化するために,Pixelレベルのノイズ遷移を学習することを提案する。
論文 参考訳（メタデータ） (2023-07-26T09:45:17Z) - Kernel Inversed Pyramidal Resizing Network for Efficient Pavement
Distress Recognition [9.927965682734069]
画像リサイズのために,Kernel Inversed Pyramidal Resizing Network (KIPRN) というライトネットワークを導入した。
KIPRNでは、ピラミッドの畳み込みとカーネルの逆転畳み込みは、識別情報をマイニングするために特別に設計されている。
以上の結果から,KIPRNは一般的にCNNモデルの舗装救難認識を改善することが示唆された。
論文 参考訳（メタデータ） (2022-12-04T10:40:40Z) - PicT: A Slim Weakly Supervised Vision Transformer for Pavement Distress
Classification [10.826472503315912]
舗装障害分類のためのtextbfPavement textbf Image textbfClassification textbfPicT という視覚変換器を提案する。
textbfPicTは2番目にパフォーマンスの高いモデルよりも大きなマージンで優れています。
論文 参考訳（メタデータ） (2022-09-21T02:33:49Z) - Unsupervised Domain Adaptive Salient Object Detection Through
Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。
提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-26T16:03:55Z) - Patch-Based Stochastic Attention for Image Editing [4.8201607588546]
PatchMatchアルゴリズムをベースとした,近接する近傍近傍の同定に有効なアテンション層を提案する。
画像インペイント, ガイド画像のカラー化, シングルイメージ超解像など, 画像編集作業におけるPSALの有用性を示す。
論文 参考訳（メタデータ） (2022-02-07T13:42:00Z) - Grasp-Oriented Fine-grained Cloth Segmentation without Real Supervision [66.56535902642085]
本稿では, 深度画像のみを用いて, 変形した衣服のきめ細かい領域検出の問題に取り組む。
最大で6つの意味領域を定義し, 首の縁, スリーブカフ, ヘム, 上と下をつかむ点を含む。
これらの部品のセグメント化とラベル付けを行うために,U-net ベースのネットワークを導入する。
合成データのみを用いてネットワークをトレーニングし、提案したDAが実データでトレーニングしたモデルと競合する結果が得られることを示す。
論文 参考訳（メタデータ） (2021-10-06T16:31:20Z) - An Iteratively Optimized Patch Label Inference Network for Automatic
Pavement Distress Detection [12.89160593375335]
本稿では, 反復最適化型パッチラベル推論ネットワーク (IOPLIN) という新しいディープラーニングフレームワークを提案する。
IOPLINは、期待最大化インスパイアされたパッチラベル蒸留戦略を通じて、イメージラベルのみで反復的にトレーニングすることができる。
解像度の異なる画像を扱うことができ、特に高解像度の画像に対して十分な画像情報を利用することができる。
論文 参考訳（メタデータ） (2020-05-27T11:56:38Z) - Solving Missing-Annotation Object Detection with Background
Recalibration Loss [49.42997894751021]
本稿では,新しい,かつ困難な検出シナリオに焦点を当てる。 真のオブジェクト/インスタンスの大部分は,データセットにラベル付けされていない。
従来, ソフトサンプリングを用いて, 正の例と重なり合うRoIsの勾配を再重み付けする手法が提案されてきた。
本稿では、予め定義されたIoU閾値と入力画像に基づいて損失信号を自動的に校正できる、バックグラウンド校正損失(BRL)と呼ばれる優れた解を提案する。
論文 参考訳（メタデータ） (2020-02-12T23:11:46Z) - Localizing Interpretable Multi-scale informative Patches Derived from
Media Classification Task [12.447143226347922]
我々は、慎重に設計されたRFと線形空間アグリゲーションを備えた解釈可能なAnchorNetを構築した。
ローカライズされたパッチは、元の入力の最もセマンティックスやエビデンスを確実に保持できることを示す。
論文 参考訳（メタデータ） (2020-01-31T10:04:18Z)
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。