CrackCLF: Automatic Pavement Crack Detection based on Closed-Loop Feedback

要約

舗装亀裂の自動検出は、耐用年数中の舗装の機能的性能を保証するための重要なタスクです。
ディープ ラーニング (DL) からインスピレーションを得たエンコーダー デコーダー フレームワークは、クラック検出のための強力なツールです。
ただし、これらのモデルは通常、薄い亀裂を背景として扱う傾向がある開ループ (OL) システムです。
一方、これらのモデルは、予測の誤差を自動的に修正したり、環境の変化に適応して薄い亀裂を自動的に抽出して検出したりすることはできません。
この問題に取り組むために、閉ループ フィードバック (CLF) をニューラル ネットワークに埋め込み、敵対的生成ネットワーク (GAN) に基づいてモデルが独自にエラーを修正できるように学習します。
結果として得られるモデルは CrackCLF と呼ばれ、フロントエンドとバックエンド、つまりセグメンテーションと敵対的ネットワークが含まれます。
U 字型フレームワークを備えたフロント エンドを使用して亀裂マップを生成し、マルチスケール損失関数を備えたバック エンドを使用して、ラベルと亀裂マップ (フロント エンドによって生成された) 間の高次の不一致を修正してオープン マップに対処します。
ループシステムの問題。
実験結果は、提案された CrackCLF が 3 つの公開データセットで他の方法よりも優れていることを示しています。
さらに、提案された CLF はプラグ アンド プレイ モジュールとして定義でき、さまざまなニューラル ネットワーク モデルに埋め込んでパフォーマンスを向上させることができます。

要約(オリジナル)

Automatic pavement crack detection is an important task to ensure the functional performances of pavements during their service life. Inspired by deep learning (DL), the encoder-decoder framework is a powerful tool for crack detection. However, these models are usually open-loop (OL) systems that tend to treat thin cracks as the background. Meanwhile, these models can not automatically correct errors in the prediction, nor can it adapt to the changes of the environment to automatically extract and detect thin cracks. To tackle this problem, we embed closed-loop feedback (CLF) into the neural network so that the model could learn to correct errors on its own, based on generative adversarial networks (GAN). The resulting model is called CrackCLF and includes the front and back ends, i.e. segmentation and adversarial network. The front end with U-shape framework is employed to generate crack maps, and the back end with a multi-scale loss function is used to correct higher-order inconsistencies between labels and crack maps (generated by the front end) to address open-loop system issues. Empirical results show that the proposed CrackCLF outperforms others methods on three public datasets. Moreover, the proposed CLF can be defined as a plug and play module, which can be embedded into different neural network models to improve their performances.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google