Multi-class Road Defect Detection and Segmentation using Spatial and Channel-wise Attention for Autonomous Road Repairing

要約

道路舗装の検出とセグメンテーションは、自律的な道路修復システムの開発にとって重要です。
ただし、マルチクラスの欠陥検出とセグメント化を同時に実行するインスタンス セグメンテーション手法の開発は、道路舗装画像のテクスチャの単純さ、欠陥ジオメトリの多様性、クラス間の形態学的曖昧さのため、困難です。
我々は、マルチクラスの道路欠陥の検出とセグメンテーションのための新しいエンドツーエンドの方法を提案します。
提案された方法は、空間およびチャネル方向の次元にわたるグローバルな表現を学習するために利用できる複数の空間およびチャネル方向のアテンション ブロックで構成されます。
これらのアテンション ブロックを通じて、道路欠陥の形態学的情報 (空間的特徴) と画像の色と深度情報のより大域的に一般化された表現を学習できます。
私たちのフレームワークの有効性を実証するために、9 つの道路欠陥クラスで注釈が付けられた新しく収集されたデータセットに対して、さまざまなアブレーション研究と従来の方法との比較を実施しました。
実験は、私たちが提案した方法が、マルチクラスの道路欠陥検出およびセグメント化方法に関して既存の最先端の方法よりも優れていることを示しています。

要約(オリジナル)

Road pavement detection and segmentation are critical for developing autonomous road repair systems. However, developing an instance segmentation method that simultaneously performs multi-class defect detection and segmentation is challenging due to the textural simplicity of road pavement image, the diversity of defect geometries, and the morphological ambiguity between classes. We propose a novel end-to-end method for multi-class road defect detection and segmentation. The proposed method comprises multiple spatial and channel-wise attention blocks available to learn global representations across spatial and channel-wise dimensions. Through these attention blocks, more globally generalised representations of morphological information (spatial characteristics) of road defects and colour and depth information of images can be learned. To demonstrate the effectiveness of our framework, we conducted various ablation studies and comparisons with prior methods on a newly collected dataset annotated with nine road defect classes. The experiments show that our proposed method outperforms existing state-of-the-art methods for multi-class road defect detection and segmentation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google