論文の概要: Dual flow fusion model for concrete surface crack segmentation
- arxiv url: http://arxiv.org/abs/2305.05132v2
- Date: Tue, 16 May 2023 13:26:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 18:10:39.814461
- Title: Dual flow fusion model for concrete surface crack segmentation
- Title（参考訳）: コンクリート表面き裂セグメンテーションのためのデュアルフロー融合モデル
- Authors: Yuwei Duan
- Abstract要約: 亀裂やその他の損傷は交通インフラの安全運用に重大な脅威をもたらす。
ディープラーニングモデルは、実用的な視覚的セグメンテーションタスクに広く応用されている。
本稿では,二重ストリームの融合に基づくひび割れ分割モデルを提案する。
- 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: The existence of cracks and other damages pose a significant threat to the
safe operation of transportation infrastructure. Traditional manual detection
and ultrasound equipment testing consume a lot of time and resources. With the
development of deep learning technology, many deep learning models have been
widely applied to practical visual segmentation tasks. The detection method
based on deep learning models has the advantages of high detection accuracy,
fast detection speed, and simple operation. However, deep learning-based crack
segmentation models are sensitive to background noise, have rough edges, and
lack robustness. Therefore, this paper proposes a crack segmentation model
based on the fusion of dual streams. The image is inputted simultaneously into
two designed processing streams to independently extract long-distance
dependence and local detail features. The adaptive prediction is achieved
through the dual-headed mechanism. Meanwhile, a novel interaction fusion
mechanism is proposed to guide the complementary of different feature layers to
achieve crack location and recognition in complex backgrounds. Finally, an edge
optimization method is proposed to improve the accuracy of segmentation.
Experiments show that the F1 value of segmentation results on the DeepCrack[1]
public dataset is 93.7% and the IOU value is 86.6%. The F1 value of
segmentation results on the CRACK500[2] dataset is 78.1%, and the IOU value is
66.0%.
- Abstract（参考訳）: 亀裂やその他の損傷の存在は、交通インフラの安全運用に重大な脅威をもたらす。
従来の手動検出と超音波検査は多くの時間と資源を消費する。
ディープラーニング技術の発展に伴い、多くのディープラーニングモデルが実用的なビジュアルセグメンテーションタスクに広く適用されている。
ディープラーニングモデルに基づく検出方法は、高い検出精度、高速な検出速度、簡単な操作の利点を有する。
しかし、ディープラーニングに基づくクラックセグメンテーションモデルは、バックグラウンドノイズに敏感であり、粗いエッジを持ち、堅牢性に欠ける。
そこで本稿では,二重ストリームの融合に基づくひび割れ分割モデルを提案する。
画像は2つの設計された処理ストリームに同時に入力され、長距離依存と局所詳細特徴を独立に抽出する。
適応予測はデュアルヘッド機構によって達成される。
一方,複雑な背景下での亀裂位置と認識を実現するために,異なる特徴層を補完する新たな相互作用融合機構が提案されている。
最後に,分割精度を向上させるためにエッジ最適化手法を提案する。
実験の結果、DeepCrack[1]公開データセット上のセグメンテーション結果のF1値は93.7%、IOU値は86.6%であることが示されている。
CRACK500[2]データセット上のセグメンテーション結果のF1値は78.1%であり、IOU値は66.0%である。
関連論文リスト
- CrackSegDiff: Diffusion Probability Model-based Multi-modal Crack Segmentation [5.534972596061796]
本稿では, クラックセグメンテーションのための新しいDPM手法であるCrackSegDiffを提案する。
提案手法では,Vm-unetを用いて,元のデータの長距離情報を効率的に取得する。
CrackSegDiffは、特に浅い亀裂の検出において、最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2024-10-10T16:44:10Z) - Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。
これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。
提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
論文 参考訳（メタデータ） (2024-09-04T16:47:16Z) - A new method for optical steel rope non-destructive damage detection [3.195044561824979]
本稿では,高高度(空中ロープウェイ)における鋼ロープの非破壊損傷検出のための新しいアルゴリズムを提案する。
RGBD-UNetという名前のセグメンテーションモデルは、複雑な背景から鋼のロープを正確に抽出するように設計されている。
VovNetV3.5と呼ばれる検出モデルは、通常の鋼ロープと異常鋼ロープを区別するために開発された。
論文 参考訳（メタデータ） (2024-02-06T09:39:05Z) - Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview
Learning for Medical Image Segmentation [3.1002416427168304]
この論文は網膜血管セグメンテーションの課題に焦点を当てている。
深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。
効率的でシンプルな多視点学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-02T06:31:08Z) - CrossDF: Improving Cross-Domain Deepfake Detection with Deep Information Decomposition [53.860796916196634]
クロスデータセットディープフェイク検出(CrossDF)の性能を高めるためのディープ情報分解(DID)フレームワークを提案する。
既存のディープフェイク検出方法とは異なり、我々のフレームワークは特定の視覚的アーティファクトよりも高いレベルのセマンティック特徴を優先する。
顔の特徴をディープフェイク関連情報と無関係情報に適応的に分解し、本質的なディープフェイク関連情報のみを用いてリアルタイム・フェイク識別を行う。
論文 参考訳（メタデータ） (2023-09-30T12:30:25Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳（メタデータ） (2023-06-16T16:30:39Z) - Detection of Pavement Cracks by Deep Learning Models of Transformer and
UNet [9.483452333312373]
近年、深層学習技術の出現と発展は、表面き裂検出を容易にする大きな可能性を示している。
本研究では, モデル精度, 計算複雑性, モデル安定性により, 舗装面き裂検出の性能を評価するために, 9つの有望なモデルについて検討した。
一般に、トランスフォーマーベースのモデルは、トレーニングプロセス中に収束しやすく、精度が高いが、通常、メモリ消費が増加し、処理効率が低下する。
論文 参考訳（メタデータ） (2023-04-25T06:07:49Z) - Real-Time Scene Text Detection with Differentiable Binarization and
Adaptive Scale Fusion [62.269219152425556]
セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。
本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。
アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
論文 参考訳（メタデータ） (2022-02-21T15:30:14Z) - Capturing scattered discriminative information using a deep architecture
in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。
我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。
2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文 参考訳（メタデータ） (2020-07-09T08:32:06Z) - 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。