Improving classification of road surface conditions via road area extraction and contrastive learning

要約

道路は重要な交通手段であるため、道路の維持は経済成長と国民の幸福にとって極めて重要です。
さまざまな国では、路面の検査は依然として手作業で行われていますが、現在、それを自動化するために、視覚データを介して路面の欠陥を検出することに研究の関心が集まっています。
一方、これまでの研究は、画像全体を処理する傾向があり、大量の計算コストをもたらす深層学習手法に焦点を当ててきました。
この研究では、ソリューションの計算コストを低く抑えながら、分類パフォーマンスを向上させることに焦点を当てています。
画像全体を処理する代わりに、下流の分類モデルのみを画像内の路面に焦点を当てるセグメンテーション モデルを導入します。
さらに、モデルのトレーニング中に対照学習を採用し、路面状態の分類を改善します。
公開 RTK データセットでの実験では、以前の研究と比較して、提案された方法が大幅に改善されたことが実証されました。

要約(オリジナル)

Maintaining roads is crucial to economic growth and citizen well-being because roads are a vital means of transportation. In various countries, the inspection of road surfaces is still done manually, however, to automate it, research interest is now focused on detecting the road surface defects via the visual data. While, previous research has been focused on deep learning methods which tend to process the entire image and leads to heavy computational cost. In this study, we focus our attention on improving the classification performance while keeping the computational cost of our solution low. Instead of processing the whole image, we introduce a segmentation model to only focus the downstream classification model to the road surface in the image. Furthermore, we employ contrastive learning during model training to improve the road surface condition classification. Our experiments on the public RTK dataset demonstrate a significant improvement in our proposed method when compared to previous works.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google