論文の概要: Self-Supervised Multi-Scale Transformer with Attention-Guided Fusion for Efficient Crack Detection

• arxiv url: http://arxiv.org/abs/2510.10378v1
• Date: Sun, 12 Oct 2025 00:25:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.91266
• Title: Self-Supervised Multi-Scale Transformer with Attention-Guided Fusion for Efficient Crack Detection
• Title（参考訳）: 高速き裂検出のための注意誘導核融合型自己監督型マルチスケール変圧器
• Authors: Blessing Agyei Kyem, Joshua Kofi Asamoah, Eugene Denteh, Andrews Danyo, Armstrong Aboah,
• Abstract要約: 本稿では,手動のアノテーションを使わずに,有効画素レベルのクラックセグメンテーションを実現する可能性について検討する。 完全に自己管理されたフレームワークであるCrack-Segmenterが開発され、3つの相補的なモジュールが統合されている。 Crack-Segmenterは、すべての主要なメトリクスで13の最先端の教師付きメソッドを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 6.36678579841487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pavement crack detection has long depended on costly and time-intensive pixel-level annotations, which limit its scalability for large-scale infrastructure monitoring. To overcome this barrier, this paper examines the feasibility of achieving effective pixel-level crack segmentation entirely without manual annotations. Building on this objective, a fully self-supervised framework, Crack-Segmenter, is developed, integrating three complementary modules: the Scale-Adaptive Embedder (SAE) for robust multi-scale feature extraction, the Directional Attention Transformer (DAT) for maintaining linear crack continuity, and the Attention-Guided Fusion (AGF) module for adaptive feature integration. Through evaluations on ten public datasets, Crack-Segmenter consistently outperforms 13 state-of-the-art supervised methods across all major metrics, including mean Intersection over Union (mIoU), Dice score, XOR, and Hausdorff Distance (HD). These findings demonstrate that annotation-free crack detection is not only feasible but also superior, enabling transportation agencies and infrastructure managers to conduct scalable and cost-effective monitoring. This work advances self-supervised learning and motivates pavement cracks detection research.
• Abstract（参考訳）: 舗装き裂検出は、コストと時間を要するピクセルレベルのアノテーションに依存しており、大規模なインフラ監視のスケーラビリティを制限している。 この障壁を克服するために,手動のアノテーションを使わずに,有効画素レベルのクラックセグメンテーションの実現の可能性を検討する。 この目的に基づいて、完全自己監督型フレームワークであるCrack-Segmenterが開発され、堅牢なマルチスケール特徴抽出のためのスケール・アダプティブ・エンベッドダー(SAE)、線形き裂連続性を維持するディレクショナルアテンション・トランスフォーマー(DAT)、適応的特徴統合のためのアテンション・ガイドド・フュージョン(AGF)モジュールの3つの相補的なモジュールを統合する。 10の公開データセットの評価を通じて、Crack-Segmenterは、平均的なUnion(mIoU)、Dice score、XOR、Hausdorff Distance(HD)など、すべての主要なメトリクスにわたって、最先端の監視手法を一貫して上回っている。 これらの知見は, アノテーションのない亀裂検出が実現可能であるだけでなく, 交通機関やインフラ管理者がスケーラブルで費用対効果の高いモニタリングを行うことが可能であることを示す。 この研究は自己指導型学習を推進し、舗装き裂検出研究を動機づける。

関連論文リスト

• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• CrackESS: A Self-Prompting Crack Segmentation System for Edge Devices [5.051837985130048]
  本稿では,コンクリートひび割れの検出・分断を行う新しいシステムであるCrackESSを紹介する。 我々は,3つのデータセット(Khanhhaのデータセット,Crack500,CrackCR)で実験を行い,登山ロボットシステムにおけるCrackESSの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-12-10T05:50:50Z)
• Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
  Weak-to-strong Semantics Compensation (WSCo)を導入する。 WSCoは、クラス関連セマンティクスを補う。 WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
  論文  参考訳（メタデータ） (2024-10-07T23:32:06Z)
• From Classification to Segmentation with Explainable AI: A Study on Crack Detection and Growth Monitoring [8.57765854420254]
  インフラの表面ひび割れのモニタリングは、構造的健康モニタリングに不可欠である。 機械学習アプローチはその効果を証明しているが、典型的には教師付きトレーニングには大きな注釈付きデータセットが必要である。 このコストを軽減するために、説明可能な人工知能(XAI)を利用して分類器の説明からセグメンテーションを導き、画像レベルの監督が弱いだけを必要とする。
  論文  参考訳（メタデータ） (2023-09-20T12:50:52Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)

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。