Road Disease Detection based on Latent Domain Background Feature Separation and Suppression

要約

道路疾病の検出は、対象地域における道路被害の割合が少ないことと、多くのドメイン情報が導入される多様な背景により困難です。また、疾病カテゴリの類似性が高いため、検出がより困難になります。
本稿では、ドメイン監視やオブジ​​ェクト特徴の対比強調なしで背景情報の分離と抑制を実行できる新しい LDBFSS (潜在ドメイン背景特徴分離および抑制) ネットワークを提案します。 LDBFSS ネットワークと YOLOv5 モデルを組み合わせて、疾患特徴を強化します。
道路疾患の検出が向上します。
LDBFSS ネットワークのコンポーネントとして、まず潜在ドメイン発見モジュールとドメイン敵対的学習モジュールを設計し、教師なし方法で擬似ドメイン ラベルを取得し、ドメイン弁別器とモデルをガイドして背景情報を抑制する敵対的トレーニングを行います。
さらに、対比学習モジュールを導入し、k インスタンスの対比損失を設計し、オブジェクト特徴のクラス間距離を増加させ、クラス内距離を短縮することで疾患特徴表現を最適化します。
GRDDC と CNRDD という 2 つの道路疾病検出データセットで実験を実施し、他のモデルと比較したところ、最適モデルと比較して GRDDC データセットでは 4% 近く増加し、CNRDD データセットでは 4.6% 増加したことがわかりました。
実験結果は、私たちのモデルの有効性と優位性を証明しています。

要約(オリジナル)

Road disease detection is challenging due to the the small proportion of road damage in target region and the diverse background,which introduce lots of domain information.Besides, disease categories have high similarity,makes the detection more difficult. In this paper, we propose a new LDBFSS(Latent Domain Background Feature Separation and Suppression) network which could perform background information separation and suppression without domain supervision and contrastive enhancement of object features.We combine our LDBFSS network with YOLOv5 model to enhance disease features for better road disease detection. As the components of LDBFSS network, we first design a latent domain discovery module and a domain adversarial learning module to obtain pseudo domain labels through unsupervised method, guiding domain discriminator and model to train adversarially to suppress background information. In addition, we introduce a contrastive learning module and design k-instance contrastive loss, optimize the disease feature representation by increasing the inter-class distance and reducing the intra-class distance for object features. We conducted experiments on two road disease detection datasets, GRDDC and CNRDD, and compared with other models,which show an increase of nearly 4% on GRDDC dataset compared with optimal model, and an increase of 4.6% on CNRDD dataset. Experimental results prove the effectiveness and superiority of our model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google