論文の概要: CrackNex: a Few-shot Low-light Crack Segmentation Model Based on Retinex
Theory for UAV Inspections
- arxiv url: http://arxiv.org/abs/2403.03063v1
- Date: Tue, 5 Mar 2024 15:52:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 14:20:11.293942
- Title: CrackNex: a Few-shot Low-light Crack Segmentation Model Based on Retinex
Theory for UAV Inspections
- Title（参考訳）: cracknex:uav検査のためのretinex理論に基づく数発低光クラックセグメンテーションモデル
- Authors: Zhen Yao, Jiawei Xu, Shuhang Hou, Mooi Choo Chuah
- Abstract要約: CrackNexは、Retinex Theoryに基づく反射情報を利用して、モデルが統一された照明不変表現を学ぶのを助けるフレームワークである。
LCSDは102個の高照度き裂画像と41個の低照度き裂画像からなる。
- 参考スコア（独自算出の注目度）: 9.27355428681897
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Routine visual inspections of concrete structures are imperative for
upholding the safety and integrity of critical infrastructure. Such visual
inspections sometimes happen under low-light conditions, e.g., checking for
bridge health. Crack segmentation under such conditions is challenging due to
the poor contrast between cracks and their surroundings. However, most deep
learning methods are designed for well-illuminated crack images and hence their
performance drops dramatically in low-light scenes. In addition, conventional
approaches require many annotated low-light crack images which is
time-consuming. In this paper, we address these challenges by proposing
CrackNex, a framework that utilizes reflectance information based on Retinex
Theory to help the model learn a unified illumination-invariant representation.
Furthermore, we utilize few-shot segmentation to solve the inefficient training
data problem. In CrackNex, both a support prototype and a reflectance prototype
are extracted from the support set. Then, a prototype fusion module is designed
to integrate the features from both prototypes. CrackNex outperforms the SOTA
methods on multiple datasets. Additionally, we present the first benchmark
dataset, LCSD, for low-light crack segmentation. LCSD consists of 102
well-illuminated crack images and 41 low-light crack images. The dataset and
code are available at https://github.com/zy1296/CrackNex.
- Abstract（参考訳）: コンクリート構造物の定期的な視覚検査は、重要なインフラの安全性と整合性の維持に不可欠である。
このような視覚検査は、橋梁の健康状態を検査するなど、低照度条件下で発生することがある。
このような条件下での亀裂のセグメンテーションは、亀裂とその周囲とのコントラストが悪いため困難である。
しかし、多くの深層学習手法は、十分に照らされたクラック画像のために設計されており、低照度シーンでは性能が劇的に低下する。
また, 従来の手法では, 時間を要するアノテートな低照度き裂像が多数必要である。
本稿では,retinex 理論に基づく反射情報を活用したフレームワークである cracknex の提案により,モデルが統一照明不変表現を学習することを支援する。
さらに,非効率なトレーニングデータ問題を解決するために,マイナショットセグメンテーションを利用する。
cracknexでは、サポートセットからサポートプロトタイプと反射プロトタイプの両方を抽出する。
次に、プロトタイプのfusionモジュールが両方のプロトタイプの機能を統合するように設計されている。
cracknexはsomaメソッドを複数のデータセットで上回っている。
さらに、低照度き裂分割のための最初のベンチマークデータセットLCSDを提示する。
LCSDは102枚の高照度クラック画像と41枚の低照度クラック画像で構成されている。
データセットとコードはhttps://github.com/zy1296/CrackNexで公開されている。
関連論文リスト
- CrossDiff: Diffusion Probabilistic Model With Cross-conditional Encoder-Decoder for Crack Segmentation [5.69969816883978]
クロス条件エンコーダデコーダを用いた新しい拡散モデルCrossDiffを提案する。
提案したCrossDiffモデルは、DiceスコアとIoUの両点において、他の最先端メソッドよりも8.0%優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-01-22T13:13:41Z) - Deep Learning-Based Fatigue Cracks Detection in Bridge Girders using Feature Pyramid Networks [8.59780173800845]
本研究では,橋梁の鋼箱桁のひび割れ情報を含む高分解能画像からの自動き裂分割手法を提案する。
亀裂のマルチスケールの特徴を考慮し, 亀裂検出のための特徴ピラミッドネットワーク(FPN)の畳み込みニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-10-28T16:16:15Z) - CrackCLF: Automatic Pavement Crack Detection based on Closed-Loop
Feedback [14.986335013488643]
CrackCLFはニューラルネットワークモデルであり、自分でエラーを修正することを学習する。
提案されたCLFは、プラグアンドプレイモジュールとして定義することができ、異なるニューラルネットワークモデルに組み込んでパフォーマンスを改善することができる。
論文 参考訳（メタデータ） (2023-11-20T14:52:48Z) - 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) - Retinexformer: One-stage Retinex-based Transformer for Low-light Image
Enhancement [96.09255345336639]
低照度画像の高精細化のために,原理化された1段Retinex-based Framework (ORF) を定式化する。
ORFはまず照明情報を推定し、低照度画像を照らす。
我々のアルゴリズムであるRetinexformerは13のベンチマークで最先端の手法を大幅に上回っている。
論文 参考訳（メタデータ） (2023-03-12T16:54:08Z) - InfoNeRF: Ray Entropy Minimization for Few-Shot Neural Volume Rendering [55.70938412352287]
ニューラルな暗黙表現に基づく数ショットの新規ビュー合成のための情報理論正規化手法を提案する。
提案手法は,不十分な視点で発生する潜在的な復元の不整合を最小化する。
複数の標準ベンチマークにおいて,既存のニューラルビュー合成手法と比較して一貫した性能向上を実現している。
論文 参考訳（メタデータ） (2021-12-31T11:56:01Z) - Learning Deep Context-Sensitive Decomposition for Low-Light Image
Enhancement [58.72667941107544]
典型的なフレームワークは、照明と反射を同時に推定することであるが、特徴空間にカプセル化されたシーンレベルの文脈情報を無視する。
本研究では,空間スケールにおけるシーンレベルのコンテキスト依存を生かした,コンテキスト依存型分解ネットワークアーキテクチャを提案する。
チャネル数を減らして軽量なCSDNet(LiteCSDNet)を開発する。
論文 参考訳（メタデータ） (2021-12-09T06:25:30Z) - Contrastive Prototype Learning with Augmented Embeddings for Few-Shot
Learning [58.2091760793799]
拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。
クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。
いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
論文 参考訳（メタデータ） (2021-01-23T13:22:44Z) - Advances in deep learning methods for pavement surface crack detection
and identification with visible light visual images [0.0]
工学構造における亀裂のNDTおよび健康モニタリング法と比較して、可視光画像に基づく表面亀裂検出または識別は非接触である。
本稿では,舗装き裂公開データセットを包括的に要約し,組込みプラットフォームにおける表面き裂検出および識別深層学習手法の性能と有効性について述べる。
論文 参考訳（メタデータ） (2020-12-29T11:10:12Z) - Nighttime Dehazing with a Synthetic Benchmark [147.21955799938115]
昼間の鮮明な画像から夜間のハズイ画像をシミュレートする3Rという新しい合成法を提案する。
実空間の光色を以前の経験的分布からサンプリングすることにより,現実的な夜間ハズイ画像を生成する。
実験結果は、画像の品質と実行時間の両方の観点から、最先端の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） (2020-08-10T02:16:46Z) - The Power of Triply Complementary Priors for Image Compressive Sensing [89.14144796591685]
本稿では,一対の相補的な旅先を含むLRD画像モデルを提案する。
次に、画像CSのためのRDモデルに基づく新しいハイブリッド・プラグイン・アンド・プレイ・フレームワークを提案する。
そこで,提案したH-based image CS問題の解法として,単純で効果的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-16T08:17:44Z)
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。