論文の概要: Coarse-to-fine crack cue for robust crack detection

• arxiv url: http://arxiv.org/abs/2507.16851v1
• Date: Mon, 21 Jul 2025 08:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 22:33:14.687757
• Title: Coarse-to-fine crack cue for robust crack detection
• Title（参考訳）: き裂検出のための粗大き裂キュー
• Authors: Zelong Liu, Yuliang Gu, Zhichao Sun, Huachao Zhu, Xin Xiao, Bo Du, Laurent Najman, Yongchao Xu,
• Abstract要約: CrackCueは粗大き裂発生に基づくき裂検出のための新しい手法である。 プラグアンドプレイ方式として,提案したCrackCueを3つの高度な亀裂検出ネットワークに組み込む。
• 参考スコア（独自算出の注目度）: 26.705096734859872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crack detection is an important task in computer vision. Despite impressive in-dataset performance, deep learning-based methods still struggle in generalizing to unseen domains. The thin structure property of cracks is usually overlooked by previous methods. In this work, we introduce CrackCue, a novel method for robust crack detection based on coarse-to-fine crack cue generation. The core concept lies on leveraging the thin structure property to generate a robust crack cue, guiding the crack detection. Specifically, we first employ a simple max-pooling and upsampling operation on the crack image. This results in a coarse crack-free background, based on which a fine crack-free background can be obtained via a reconstruction network. The difference between the original image and fine crack-free background provides a fine crack cue. This fine cue embeds robust crack prior information which is unaffected by complex backgrounds, shadow, and varied lighting. As a plug-and-play method, we incorporate the proposed CrackCue into three advanced crack detection networks. Extensive experimental results demonstrate that the proposed CrackCue significantly improves the generalization ability and robustness of the baseline methods. The source code will be publicly available.
• Abstract（参考訳）: ひび割れ検出はコンピュータビジョンにおいて重要な課題である。 データベース内のパフォーマンスは素晴らしいが、ディープラーニングベースの手法は、まだ目に見えないドメインへの一般化に苦戦している。 き裂の細い構造特性は、通常、以前の方法によって見過ごされる。 本研究では,粗大き裂発生に基づくき裂検出手法であるCrackCueを紹介する。 中心となる概念は、細い構造特性を活用して、き裂検出を導く堅牢なき裂キューを生成することである。 具体的には,まずクラック画像上に,簡単な最大サンプリングとアップサンプリング操作を用いる。 これにより、粗い亀裂のない背景を復元ネットワークを介してき裂のないき裂のない背景を得ることができる。 オリジナルの画像とき裂のない微妙なき裂の背景の違いは、き裂のき裂の原因となる。 この微妙なキューは、複雑な背景、影、様々な照明の影響を受けない、堅牢な亀裂以前の情報を埋め込む。 プラグアンドプレイ方式として,提案したCrackCueを3つの高度な亀裂検出ネットワークに組み込む。 大規模な実験結果から,提案したCrackCueは,ベースライン手法の一般化能力とロバスト性を大幅に向上することが示された。 ソースコードは公開されます。

関連論文リスト

• 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)
• CrackNex: a Few-shot Low-light Crack Segmentation Model Based on Retinex Theory for UAV Inspections [9.27355428681897]
  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。
  論文  参考訳（メタデータ） (2024-03-05T15:52:54Z)
• 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)
• You Can Mask More For Extremely Low-Bitrate Image Compression [80.7692466922499]
  近年,学習画像圧縮(lic)法は大きな進歩を遂げている。 licメソッドは、画像圧縮に不可欠な画像構造とテクスチャコンポーネントを明示的に探索することができない。 原画像の構造とテクスチャに基づいて可視パッチをサンプリングするDA-Maskを提案する。 極めて低ビットレート圧縮のために, lic と lic のエンドツーエンドを統一する最初のフレームワークである, 単純で効果的なマスク付き圧縮モデル (MCM) を提案する。
  論文  参考訳（メタデータ） (2023-06-27T15:36:22Z)
• Beyond the Prior Forgery Knowledge: Mining Critical Clues for General Face Forgery Detection [61.74632676703288]
  本稿では,様々なバックボーンを柔軟に組立てて一般化と性能を向上させる,新しいクリティカルフォージェリーマイニングフレームワークを提案する。 具体的には,まず,従来の知識に依存しないデータ拡張を通じて,細粒度三重項を構築し,特定の偽の痕跡を抑える。 そこで我々は,例えば,局所的類似性を意識した損失を通じて,偽造の重要情報をマイニングする,きめ細かな関係学習プロトタイプを提案する。
  論文  参考訳（メタデータ） (2023-04-24T23:02:27Z)
• A Comprehensive Study on Robustness of Image Classification Models: Benchmarking and Rethinking [54.89987482509155]
  ディープニューラルネットワークのロバスト性は、通常、敵の例、共通の腐敗、分散シフトに欠けている。 画像分類タスクにおいてtextbfARES-Bench と呼ばれる総合的なベンチマークロバスト性を確立する。 それに応じてトレーニング設定を設計することにより、新しい最先端の対人ロバスト性を実現する。
  論文  参考訳（メタデータ） (2023-02-28T04:26:20Z)
• PointCrack3D: Crack Detection in Unstructured Environments using a 3D-Point-Cloud-Based Deep Neural Network [20.330700719146215]
  本稿では,非構造面に対する新しい3Dポイント・クラウド・ベースのき裂検出アルゴリズムであるPointCrack3Dを提案する。 この手法は、新しい大きな天然岩のデータセットで実験的に検証された。 その結果, ひび割れ検出率は全体の97%, ひび割れの100%であり, 最大幅は3cm以上であった。
  論文  参考訳（メタデータ） (2021-11-23T02:33:18Z)
• A Weakly-Supervised Surface Crack Segmentation Method using Localisation with a Classifier and Thresholding [0.20999222360659603]
  近年,機械学習手法による構造維持対策の支援により,この問題に対処する研究が進められている。 本研究は,CNN分類器を用いて表面き裂分割マップを作成する弱教師付きアプローチを提案する。 本稿では,本手法の実装の容易さに焦点をあて,複数の表面き裂データセット上での良好な性能を示す。
  論文  参考訳（メタデータ） (2021-09-01T15:58:13Z)
• Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
  まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。 本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。 エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
  論文  参考訳（メタデータ） (2020-02-10T13:13:43Z)
• Certified Robustness of Community Detection against Adversarial Structural Perturbation via Randomized Smoothing [81.71105567425275]
  本研究は, 対向構造摂動に対するコミュニティ検出の信頼性保証を初めて開発した。 このスムーズなコミュニティ検出手法は,任意のノード群を同一のコミュニティにグループ化する。 また,本手法を複数の実世界グラフ上で実験的に評価した。
  論文  参考訳（メタデータ） (2020-02-09T18:39:39Z)

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。