Attention-Enhanced Co-Interactive Fusion Network (AECIF-Net) for Automated Structural Condition Assessment in Visual Inspection

要約

民間インフラの状態を効率的に監視するには、目視検査による構造状態の評価を自動化する必要があります。
この論文では、橋梁の目視検査における構造状態の自動評価のためのアテンション・エンハンスド・コ・インタラクティブ・フュージョン・ネットワーク（AECIF-Net）を提案します。
AECIF-Net は、検査画像内の構造要素を解析し、要素上の表面欠陥をセグメント化することを同時に行うことができます。
2 つのタスク固有の再学習サブネットを統合して、全体的な機能の埋め込みからタスク固有の機能を抽出します。
共同インタラクティブな機能融合モジュールは空間相関をさらに捉え、タスク間の情報共有を容易にします。
実験結果は、提案された AECIF-Net が現在の最先端のアプローチよりも優れたパフォーマンスを示し、新しいベンチマーク データセットである鋼橋条件のテスト セットで要素セグメンテーションで 92.11% mIoU、腐食セグメンテーションで 87.16% mIoU という有望なパフォーマンスを達成したことを示しています。
検査ビジュアル (SBCIV)。
アブレーション研究では AECIF-Net の設計の利点が検証され、ケーススタディでは構造状態の評価を自動化する機能が実証されています。

要約(オリジナル)

Efficiently monitoring the condition of civil infrastructure requires automating the structural condition assessment in visual inspection. This paper proposes an Attention-Enhanced Co-Interactive Fusion Network (AECIF-Net) for automatic structural condition assessment in visual bridge inspection. AECIF-Net can simultaneously parse structural elements and segment surface defects on the elements in inspection images. It integrates two task-specific relearning subnets to extract task-specific features from an overall feature embedding. A co-interactive feature fusion module further captures the spatial correlation and facilitates information sharing between tasks. Experimental results demonstrate that the proposed AECIF-Net outperforms the current state-of-the-art approaches, achieving promising performance with 92.11% mIoU for element segmentation and 87.16% mIoU for corrosion segmentation on the test set of the new benchmark dataset Steel Bridge Condition Inspection Visual (SBCIV). An ablation study verifies the merits of the designs for AECIF-Net, and a case study demonstrates its capability to automate structural condition assessment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google