Real-time High-Resolution Neural Network with Semantic Guidance for Crack Segmentation

要約

ディープラーニングはひび割れセグメンテーションにおいて重要な役割を果たすが、ほとんどの研究は、このタスクのために特別に開発されたものではない、既製または改良されたモデルを利用している。オブジェクトの位置と詳細に敏感な高解像度畳み込みニューラルネットワークは、ひび割れセグメンテーションの性能向上に役立つが、リアルタイム検出とは相反する。本論文では、ひび割れセグメンテーションのために特別に設計された、セマンティックガイダンスを持つ高解像度ネットワークであるHrSegNetについて述べる。複合データセットCrackSeg9kと、シナリオに特化したデータセットAsphalt3kとConcrete3kで評価した結果、HrSegNetは最先端のセグメンテーション性能と、比較したモデルを遥かに上回る効率を得た。このアプローチは、高解像度モデリングとリアルタイム検出の間にトレードオフがあることを示し、実世界のアプリケーションにおけるひび割れ解析へのエッジデバイスの使用を促進する。

要約(オリジナル)

Deep learning plays an important role in crack segmentation, but most work utilize off-the-shelf or improved models that have not been specifically developed for this task. High-resolution convolution neural networks that are sensitive to objects’ location and detail help improve the performance of crack segmentation, yet conflict with real-time detection. This paper describes HrSegNet, a high-resolution network with semantic guidance specifically designed for crack segmentation, which guarantees real-time inference speed while preserving crack details. After evaluation on the composite dataset CrackSeg9k and the scenario-specific datasets Asphalt3k and Concrete3k, HrSegNet obtains state-of-the-art segmentation performance and efficiencies that far exceed those of the compared models. This approach demonstrates that there is a trade-off between high-resolution modeling and real-time detection, which fosters the use of edge devices to analyze cracks in real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL