TrueDeep: A systematic approach of crack detection with less data

要約

教師ありおよび半教師ありセマンティック セグメンテーション アルゴリズムでは、良好なパフォーマンスを達成するには、大量の注釈付きデータが必要です。
多くの状況では、データが利用できないか、注釈が高価であるかのどちらかです。
この研究の目的は、ディープ ラーニング アーキテクチャとともにドメイン知識を組み込むことで、より少ないデータで同様のパフォーマンスを達成できることを示すことです。
私たちは、公開されている亀裂セグメンテーション データセットを使用し、知識を使用して入力画像を選択すると、ディープラーニング ベースのアーキテクチャのパフォーマンスを大幅に向上できることを示しました。
私たちが提案するアプローチには、アノテーションとトレーニングのコストが低く、エネルギー消費が少ないなど、多くの利点があります。
アルゴリズムのパフォーマンスを、平均積和和 (mIoU) と F スコアの観点から定量的に測定しました。
当社のアルゴリズムは、全体のデータの 23% を使用して開発されました。
テスト データでは同様のパフォーマンスが得られますが、複数のブラインド データセットでは大幅に優れたパフォーマンスが得られます。

要約(オリジナル)

Supervised and semi-supervised semantic segmentation algorithms require significant amount of annotated data to achieve a good performance. In many situations, the data is either not available or the annotation is expensive. The objective of this work is to show that by incorporating domain knowledge along with deep learning architectures, we can achieve similar performance with less data. We have used publicly available crack segmentation datasets and shown that selecting the input images using knowledge can significantly boost the performance of deep-learning based architectures. Our proposed approaches have many fold advantages such as low annotation and training cost, and less energy consumption. We have measured the performance of our algorithm quantitatively in terms of mean intersection over union (mIoU) and F score. Our algorithms, developed with 23% of the overall data; have a similar performance on the test data and significantly better performance on multiple blind datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google