RDD4D: 4D Attention-Guided Road Damage Detection And Classification

要約

道路損傷の検出と評価は、インフラストラクチャのメンテナンスの重要な要素です。
しかし、現在の方法では、特にさまざまなスケールで、単一の画像内で複数の種類の道路損傷を検出するのに苦労することがよくあります。
これは、さまざまな規模のさまざまな被害タイプを含む道路データセットが不足しているためです。
この欠点を克服するために、まず、道路損傷検出用の多様な道路損傷データセット (DRDD) と呼ばれる新しいデータセットを紹介します。これは、個々の画像内の多様な道路損傷タイプを捕捉し、既存のデータセットの重大なギャップに対処します。
次に、Attendance4D ブロックを利用するモデル RDD4D を提供し、複数のスケールにわたってより優れた特徴の改良を可能にします。
Attendant4D モジュールは、位置エンコーディングと「トーキング ヘッド」コンポーネントを組み合わせたアテンション メカニズムを通じて特徴マップを処理し、ローカルおよびグローバルのコンテキスト情報をキャプチャします。
私たちが提案したさまざまな最先端モデルを比較した包括的な実験解析では、強化されたモデルは平均精度 (AP) 0.458 で大きなサイズの道路亀裂を検出する優れた性能を実証し、全体の AP で競争力のあるパフォーマンスを維持しました。
0.445。
さらに、CrackTinyNet データセットに関する結果も提供します。
私たちのモデルは約 0.21 のパフォーマンス向上を達成しました。
コード、モデルの重み、データセット、および結果は、\href{https://github.com/msaqib17/Road_Damage_Detection}{https://github.com/msaqib17/Road\_Damage\_Detection} で入手できます。

要約(オリジナル)

Road damage detection and assessment are crucial components of infrastructure maintenance. However, current methods often struggle with detecting multiple types of road damage in a single image, particularly at varying scales. This is due to the lack of road datasets with various damage types having varying scales. To overcome this deficiency, first, we present a novel dataset called Diverse Road Damage Dataset (DRDD) for road damage detection that captures the diverse road damage types in individual images, addressing a crucial gap in existing datasets. Then, we provide our model, RDD4D, that exploits Attention4D blocks, enabling better feature refinement across multiple scales. The Attention4D module processes feature maps through an attention mechanism combining positional encoding and ‘Talking Head’ components to capture local and global contextual information. In our comprehensive experimental analysis comparing various state-of-the-art models on our proposed, our enhanced model demonstrated superior performance in detecting large-sized road cracks with an Average Precision (AP) of 0.458 and maintained competitive performance with an overall AP of 0.445. Moreover, we also provide results on the CrackTinyNet dataset; our model achieved around a 0.21 increase in performance. The code, model weights, dataset, and our results are available on \href{https://github.com/msaqib17/Road_Damage_Detection}{https://github.com/msaqib17/Road\_Damage\_Detection}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google