論文の概要: WP-CrackNet: A Collaborative Adversarial Learning Framework for End-to-End Weakly-Supervised Road Crack Detection
- arxiv url: http://arxiv.org/abs/2510.17566v1
- Date: Mon, 20 Oct 2025 14:13:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:39.47806
- Title: WP-CrackNet: A Collaborative Adversarial Learning Framework for End-to-End Weakly-Supervised Road Crack Detection
- Title（参考訳）: WP-CrackNet: エンド・ツー・エンド・エンド・エンド・エンド・ウェイクラック検出のための協調学習フレームワーク
- Authors: Nachuan Ma, Zhengfei Song, Qiang Hu, Xiaoyu Tang, Chengxi Zhang, Rui Fan, Lihua Xie,
- Abstract要約: WP-CrackNetは、ピクセルワイド・クラック検出のためのエンドツーエンドの弱教師付き手法である。
我々は3つの画像レベルのデータセットを作成し、WP-CrackNetが教師付き手法に匹敵する結果が得られることを示す。
- 参考スコア（独自算出の注目度）: 27.876703832929778
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Road crack detection is essential for intelligent infrastructure maintenance in smart cities. To reduce reliance on costly pixel-level annotations, we propose WP-CrackNet, an end-to-end weakly-supervised method that trains with only image-level labels for pixel-wise crack detection. WP-CrackNet integrates three components: a classifier generating class activation maps (CAMs), a reconstructor measuring feature inferability, and a detector producing pixel-wise road crack detection results. During training, the classifier and reconstructor alternate in adversarial learning to encourage crack CAMs to cover complete crack regions, while the detector learns from pseudo labels derived from post-processed crack CAMs. This mutual feedback among the three components improves learning stability and detection accuracy. To further boost detection performance, we design a path-aware attention module (PAAM) that fuses high-level semantics from the classifier with low-level structural cues from the reconstructor by modeling spatial and channel-wise dependencies. Additionally, a center-enhanced CAM consistency module (CECCM) is proposed to refine crack CAMs using center Gaussian weighting and consistency constraints, enabling better pseudo-label generation. We create three image-level datasets and extensive experiments show that WP-CrackNet achieves comparable results to supervised methods and outperforms existing weakly-supervised methods, significantly advancing scalable road inspection. The source code package and datasets are available at https://mias.group/WP-CrackNet/.
- Abstract（参考訳）: スマートシティにおけるインテリジェントインフラストラクチャメンテナンスには,道路亀裂検出が不可欠である。
WP-CrackNetは,画像レベルのラベルのみをトレーニングし,画素単位のクラック検出を行う。
WP-CrackNetは、クラスアクティベーションマップを生成する分類器(CAM)、特徴推論性を測定する再構成器、画素ワイドな道路亀裂検出結果を生成する検出器の3つのコンポーネントを統合している。
訓練中、分類器と再構成器は交互に対向学習を行い、亀裂CAMが完全な亀裂領域をカバーするように促し、検出器は後処理された亀裂CAMから派生した擬似ラベルから学習する。
この3つのコンポーネント間の相互フィードバックにより、学習安定性と検出精度が向上する。
検出性能をさらに向上するために,空間的およびチャネル的依存関係をモデル化することにより,分類器から高レベルなセマンティクスと再構成器からの低レベルな構造的手がかりを融合するパス認識アテンションモジュール (PAAM) を設計する。
さらに、中心強調CAM整合モジュール(CECCM)を提案し、中心ガウス重み付けと整合性制約を用いて亀裂CAMを洗練し、擬似ラベル生成を改良した。
我々は3つの画像レベルのデータセットを作成し、WP-CrackNetが教師付き手法に匹敵する結果を達成し、既存の弱教師付き手法を上回り、拡張性のある道路検査を大幅に向上することを示す。
ソースコードパッケージとデータセットはhttps://mias.group/WP-CrackNet/.com/で公開されている。
関連論文リスト
- Source-Free Object Detection with Detection Transformer [59.33653163035064]
Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。
ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。
本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
論文 参考訳（メタデータ） (2025-10-13T07:35:04Z) - 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) - UP-CrackNet: Unsupervised Pixel-Wise Road Crack Detection via Adversarial Image Restoration [23.71017765426465]
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。
論文 参考訳（メタデータ） (2024-01-28T12:51:01Z) - Shape Anchor Guided Holistic Indoor Scene Understanding [9.463220988312218]
本研究では, 室内環境の堅牢な理解のための形状アンカー案内学習戦略(AncLearn)を提案する。
AncLearnは、インスタンス表面を動的に(i)アンミックスノイズとターゲット関連の機能に適合するアンカーを生成し、検出段階で信頼性の高い提案を提供する。
我々は,高品質なセマンティックシーンモデルを生成するために,AncLearnを再構成検出学習システム(AncRec)に組み込む。
論文 参考訳（メタデータ） (2023-09-20T08:30:20Z) - Enhancing Infrared Small Target Detection Robustness with Bi-Level
Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。
我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文 参考訳（メタデータ） (2023-09-03T06:35:07Z) - A Tri-Layer Plugin to Improve Occluded Detection [100.99802831241583]
本研究では,2段階物体検出装置の頭部検出のための単純な''モジュールを提案し,部分閉塞物体のリコールを改善する。
モジュールは、ターゲットオブジェクト、オクルーダー、オクラデーのセグメンテーションマスクの三層を予測し、それによってターゲットオブジェクトのマスクをより正確に予測することができる。
また,COCO評価データセットを構築し,部分閉塞オブジェクトと分離オブジェクトのリコール性能を測定した。
論文 参考訳（メタデータ） (2022-10-18T17:59:51Z) - Evaluation and Comparison of Deep Learning Methods for Pavement Crack
Identification with Visual Images [0.0]
ディープラーニングアルゴリズムによる視覚画像による舗装き裂の識別は、検出対象の材料によって制限されないという利点がある。
パッチサンプル分類の面では、細調整されたTLモデルはEDモデルと精度で同等またはわずかに良い。
正確なクラック位置の面では、EDアルゴリズムとGANアルゴリズムの両方がピクセルレベルのセグメンテーションを達成でき、低演算パワープラットフォーム上でリアルタイムに検出されることが期待できる。
論文 参考訳（メタデータ） (2021-12-20T08:23:43Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-11-19T05:42:02Z) - Automatic Crack Detection on Road Pavements Using Encoder Decoder
Architecture [9.34360241512198]
提案アルゴリズムは,階層型特徴学習と拡張畳み込みを用いたエンコーダデコーダアーキテクチャ,U-階層型拡張ネットワーク (U-HDN) を提案する。
複数のコンテキスト情報を持つき裂特性は、自動的に学習し、エンドツーエンドのき裂検出を行うことができる。
論文 参考訳（メタデータ） (2020-07-01T13:32:23Z) - Towards High Performance Human Keypoint Detection [87.1034745775229]
文脈情報は人体構成や見えないキーポイントを推論する上で重要な役割を担っている。
そこで我々は,空間とチャネルのコンテキスト情報を効率的に統合するカスケードコンテキストミキサー(CCM)を提案する。
CCMの表現能力を最大化するために、我々は、強陰性な人検出マイニング戦略と共同訓練戦略を開発する。
検出精度を向上させるために,キーポイント予測を後処理するためのいくつかのサブピクセル改良手法を提案する。
論文 参考訳（メタデータ） (2020-02-03T02:24:51Z)
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。