CG-fusion CAM: Online segmentation of laser-induced damage on large-aperture optics

要約

高出力レーザー施設の大口径光学系におけるレーザー誘発損傷のオンラインセグメンテーションは、複雑な損傷形態、不均一な照明、迷光干渉によって課題が生じています。
完全に監視されたセマンティック セグメンテーション アルゴリズムは最先端のパフォーマンスを実現していますが、大量のピクセル レベルのラベルに依存しており、作成には時間と労力がかかります。
高度な弱教師セマンティック セグメンテーション アルゴリズムである LayerCAM は、画像レベルのラベルのみを使用してピクセル精度の結果を生成できますが、分散した部分的に活性化が不十分なクラス活性化領域により、セグメンテーションのパフォーマンスが低下します。
この論文では、連続勾配 CAM とその非線形マルチスケール融合 (CG-fusion CAM) を使用した弱教師セマンティック セグメンテーション手法を提案します。
このメソッドは、勾配を逆伝播する方法を再設計し、マルチスケール融合ヒートマップを非線形にアクティブ化して、さまざまなサイズの損傷部位に適切な活性化度を持つ、よりきめの細かいクラス活性化マップを生成します。
データセットの実験では、提案された方法が完全教師ありアルゴリズムと同等のセグメンテーション パフォーマンスを達成できることが示されています。

要約(オリジナル)

Online segmentation of laser-induced damage on large-aperture optics in high-power laser facilities is challenged by complicated damage morphology, uneven illumination and stray light interference. Fully supervised semantic segmentation algorithms have achieved state-of-the-art performance, but rely on plenty of pixel-level labels, which are time-consuming and labor-consuming to produce. LayerCAM, an advanced weakly supervised semantic segmentation algorithm, can generate pixel-accurate results using only image-level labels, but its scattered and partially under-activated class activation regions degrade segmentation performance. In this paper, we propose a weakly supervised semantic segmentation method with Continuous Gradient CAM and its nonlinear multi-scale fusion (CG-fusion CAM). The method redesigns the way of back-propagating gradients and non-linearly activates the multi-scale fused heatmaps to generate more fine-grained class activation maps with appropriate activation degree for different sizes of damage sites. Experiments on our dataset show that the proposed method can achieve segmentation performance comparable to that of fully supervised algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google