論文の概要: UP-CrackNet: Unsupervised Pixel-Wise Road Crack Detection via
Adversarial Image Restoration
- arxiv url: http://arxiv.org/abs/2401.15647v1
- Date: Sun, 28 Jan 2024 12:51:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 17:00:07.630345
- Title: UP-CrackNet: Unsupervised Pixel-Wise Road Crack Detection via
Adversarial Image Restoration
- Title(参考訳): UP-CrackNet: 逆画像復元による教師なしPixel-Wise道路亀裂検出
- Authors: Nachuan Ma, Rui Fan, Lihua Xie
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 26.647863571012582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past decade, automated methods have been developed to detect cracks
more efficiently, accurately, and objectively, with the ultimate goal of
replacing conventional manual visual inspection techniques. Among these
methods, semantic segmentation algorithms have demonstrated promising results
in pixel-wise crack detection tasks. However, training such data-driven
algorithms requires a large amount of human-annotated datasets with pixel-level
annotations, which is a highly labor-intensive and time-consuming process.
Moreover, supervised learning-based methods often struggle with poor
generalization ability in unseen datasets. Therefore, we propose an
unsupervised pixel-wise road crack detection network, known as UP-CrackNet. Our
approach first generates multi-scale square masks and randomly selects them to
corrupt undamaged road images by removing certain regions. Subsequently, a
generative adversarial network is trained to restore the corrupted regions by
leveraging the semantic context learned from surrounding uncorrupted regions.
During the testing phase, an error map is generated by calculating the
difference between the input and restored images, which allows for pixel-wise
crack detection. Our comprehensive experimental results demonstrate that
UP-CrackNet outperforms other general-purpose unsupervised anomaly detection
algorithms, and exhibits comparable performance and superior generalizability
when compared with state-of-the-art supervised crack segmentation algorithms.
Our source code is publicly available at mias.group/UP-CrackNet.
- Abstract(参考訳): 過去10年間で、従来の手動視覚検査技術を置き換えることを目的として、クラックをより効率的に、正確に、客観的に検出する自動化手法が開発されてきた。
これらの手法のうち、セマンティックセグメンテーションアルゴリズムは画素ワイドなき裂検出タスクにおいて有望な結果を示した。
しかし、そのようなデータ駆動アルゴリズムを訓練するには、ピクセルレベルのアノテーションを付加した大量の人間アノテーションデータセットが必要である。
さらに、教師付き学習に基づく手法は、しばしば未発見データセットの一般化能力の低下に苦しむ。
そこで本研究では,UP-CrackNetと呼ばれる,教師なしの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。
その後、周辺非破壊領域から学習した意味的文脈を利用して、生成的な敵ネットワークを訓練し、崩壊した領域を復元する。
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。
その結果,up-cracknetは他の汎用非教師付き異常検出アルゴリズムよりも優れており,最先端教師付きき裂セグメンテーションアルゴリズムと比較して,同等の性能と優れた一般化性を示している。
私たちのソースコードは mias.group/UP-CrackNet で公開されています。
関連論文リスト
- MMNet: Multi-Collaboration and Multi-Supervision Network for Sequential
Deepfake Detection [81.59191603867586]
シークエンシャルディープフェイク検出は、回復のための正しいシーケンスで偽の顔領域を特定することを目的としている。
偽画像の復元には、逆変換を実装するための操作モデルの知識が必要である。
顔画像の空間スケールや逐次順列化を扱うマルチコラボレーション・マルチスーパービジョンネットワーク(MMNet)を提案する。
論文 参考訳(メタデータ) (2023-07-06T02:32:08Z) - Unsupervised crack detection on complex stone masonry surfaces [0.0]
本稿では,石造石垣のき裂検出手法について述べる。
提案手法では, RGB (Red Green Blue) 画像パッチの非教師付き異常検出問題として, き裂検出にアプローチする。
論文 参考訳(メタデータ) (2023-03-31T12:07:23Z) - CCDN: Checkerboard Corner Detection Network for Robust Camera
Calibration [10.614480156920935]
チェッカーボードコーナー検出ネットワークといくつかの後処理技術。
ネットワークモデルは、損失関数と学習率を改善した完全な畳み込みネットワークである。
偽陽性を除去するために,最大応答,非最大抑制,クラスタリングに関連するしきい値を含む3つの後処理手法を用いる。
論文 参考訳(メタデータ) (2023-02-10T07:47:44Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Inverse Problems Leveraging Pre-trained Contrastive Representations [88.70821497369785]
破損したデータの表現を復元するための新しい逆問題群について検討する。
コントラスト目的を用いた教師付きインバージョン手法を提案する。
提案手法は,幅広いフォワード演算子においてラベル付きデータのごく一部であっても,エンド・ツー・エンドのベースラインよりも優れる。
論文 参考訳(メタデータ) (2021-10-14T15:06:30Z) - Hierarchical Convolutional Neural Network with Feature Preservation and
Autotuned Thresholding for Crack Detection [5.735035463793008]
ドローンの画像はインフラ表面の欠陥の自動検査にますます使われている。
本稿では,階層型畳み込みニューラルネットワークを用いた深層学習手法を提案する。
提案手法は, 道路, 橋, 舗装の表面ひび割れの同定に応用されている。
論文 参考訳(メタデータ) (2021-04-21T13:07:58Z) - CutPaste: Self-Supervised Learning for Anomaly Detection and
Localization [59.719925639875036]
通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。
まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。
MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
論文 参考訳(メタデータ) (2021-04-08T19:04:55Z) - Pixel-wise Anomaly Detection in Complex Driving Scenes [30.884375526254836]
本稿では,不確実性マップを用いて異常検出を改善する画素方向異常検出フレームワークを提案する。
私たちのアプローチは、すでにトレーニング済みのセグメンテーションネットワークの一般的なフレームワークとして機能します。
さまざまな異常データセットを対象としたトップ2パフォーマンスは、異なる異常インスタンスを扱うアプローチの堅牢性を示している。
論文 参考訳(メタデータ) (2021-03-09T14:26:20Z) - 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) - Robust Unsupervised Video Anomaly Detection by Multi-Path Frame
Prediction [61.17654438176999]
本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。
提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
論文 参考訳(メタデータ) (2020-11-05T11:34:12Z)
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。