Oct, 2022

基於證據深度學習的可信多標籤下水道缺陷分類

PDF
TL;DR本文介绍了一种新的污水管道缺陷分类方法，名为可靠多标签污水管道缺陷分类（TMSDC），该方法运用了具有不确定性的警告深度学习对对污水管道缺陷进行预测，并通过新的专家基础费率分配（EBRA）引入专家知识来描述实际情况下的可靠证据。测试结果表明，TMSDC 的有效性及不确定性估计能力是最新公开基准中最好的。
发现论文，激发创造
  • Sewer-ML：一个多标签下水道缺陷分类数据集和基准测试

    本文提出 Sewer-ML 数据集，其中包括 130 万张肮脏排水管道的视觉图片资源和缺陷分类注释，旨在解决肮脏排水管道的自动化检测问题，该数据集可以被用于图像分类和缺陷分类的研究和应用。

    Mar, 2021

  • 基于深度学习的物体检测技术应用于下水道网络自动缺陷检测

    维护大城市的下水道系统十分重要，但也十分耗时耗力，因为目前的视觉检查都是手动完成的。为了减少手动工作量，应当自动定位和分类下水道管道中的缺陷。本研究通过大规模数据集的注释和深度学习的物体检测方法，解决了识别缺陷以及训练时的困难，最终依靠自动检测器能够在测试集中检测到 83% 的缺陷。这项工作将深度学习物体检测应用到重要但相对较为无声的工程领域，并给出了一些在注释特殊 “对象”（如缺陷）时的实用指导。

    Apr, 2024

  • 利用空中和地面双视图图像的证据融合进行可信遥感场景分类

    本研究使用证据深度学习模型对多角度遥感数据进行了分类，该模型可有效地计算每个角度数据的可信度，并据此进行决策级融合，从而提高分类结果的准确性。实验结果表明，该方法在公开数据集上取得了最佳效果。

    Jan, 2023

  • 双流注意力变换器用于下水道缺陷分类

    我们提出了一种双流多尺度视觉转换器 (DS-MSHViT) 架构，用于高效下水道缺陷分类，并联训练了一个 RGB 分支和一个运动分支的单一网络，通过自注意力正则化来利用 RGB 和运动流的互补优势，以增强 RGB 的关注地图从而集中于相关输入区域。

    Nov, 2023

  • DuEDL：双分支证据深度学习在手绘辅助医学图像分割中的应用

    通过提出双分支证据深度学习（DuEDL）框架，该研究旨在改善使用线条标注进行医学图像分割时准确性与可靠性之间的权衡问题，并证明该方法在提高模型的可靠性和泛化能力方面表现优于现有方法。

    May, 2024

  • 下水管道 CCTV 检测计划中降解模型的适用性评估

    该研究提出了一种评估污水管道降解模型适用性的方法，并表明 Logistic Regression 作为一种较少准确但能够产生一致降解曲线和具有高可解释性的模型，在制定检查计划方面比集成模型更加高效。

    Jul, 2023

  • 可信的长尾分类

    提出了一种可靠的长尾分布数据分类方法，采用多个专家框架联合进行分类和确定难样本，利用证据理论 (DST) 组合各种不同的不确定性和证据，同时通过动态专家引入实现高效率和可靠不确定性预测。

    Nov, 2021

  • 基于深度学习的扫描电子显微镜图像缺陷分类和检测：一种 Mask R-CNN 方法

    本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域，通过改进缺陷实例分割技术，成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案，并且可以精确计算缺陷表面积和数量。

    Nov, 2022

  • 基于不确定性的文本可靠分类

    本文针对文本分类任务中的 OOD 检测问题，提出了基于证据不确定性的方法，该方法通过引入辅助的离群样本和伪样本来训练模型，并明确建模了类别概率的不确定性。实验证明，该方法能够轻松部署于传统 RNN 和 Fine-tuned 预训练 transformers，并在 OOD 检测上优于其他方法。

    Jul, 2021

  • 基于证据融合的半监督医学图像分割的不确定性感知学习

    通过在混合和原始样本的跨区域整合证据预测结果，重分配每个体素的置信度和不确定度度量，结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明，我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。

    Apr, 2024