具有语义引导的实时高分辨率神经网络用于裂缝分割
本文提出了一种使用深度神经网络进行超分辨率增强的裂缝分割方法,联合训练了一个二值分割网络和一个 SR 网络,通过二者相互协同优化,提高了分割效果。在低分辨率图像中应用两个额外的路径进一步鼓励 SR 和分割的相互作用。实验结果表明,本文的方法在分割效果上具有优越性。
Feb, 2023
鑑於混凝土基礎設施結構完整性評估的重要性,鑑定裂紋至關重要。然而,對於計算機視覺系統來說,強大的裂紋分割仍然是一項具有挑戰性的任務,原因在於混凝土表面的多樣外觀、不同的照明和天氣條件以及不同缺陷的重疊。本文提出了一種基於分形的高度保真度裂紋圖形模擬器以及相應的完全標註的裂紋數據集,並通過利用點對點互信息估計和自適應實例正規化作為歸納偏差,補充了後者的系統。最後,通過實證研究不同設計選擇在彌合模擬與現實差距方面的相互作用,最終證明我們引入的系統能夠有效處理現實世界的裂紋分割。
Sep, 2023
通过结合领域知识和深度学习架构,我们演示了在少量数据的情况下可以获得类似的性能表现,我们的算法使用 23% 的数据就获得了和测试数据相似、多个盲数据集有显著更好的表现,其中选择基于知识的输入图像有显著的性能提升。
May, 2023
本文提出了一种基于图像级联网络 (ICNet) 的实时语义分割方法,通过多分辨率分支和级联特征融合单元,以及恰当的标签引导来降低像素级标签推断的计算量,从而实现对挑战性数据集(如 Cityscapes,CamVid 和 COCO-Stuff)的高质量实时分割。
Apr, 2017
本研究提出了一个高分辨率遥感图像网络模型,可解决同类别地物在不同地理环境下形态和比例显著不同,以及复杂背景噪声干扰下影响现有学习算法效果的问题。该模型包含漏斗模型、信息聚合模块、特征精炼模块和 CEA Loss 损失函数,并通过有效的预处理策略,在三个高分辨率遥感图像分割基准数据集上取得了优异表现。
May, 2023
提出了一组高效的卷积神经网络骨干架构,通过双分辨率融合和深度上下文聚合金字塔池化模块,实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。
Jan, 2021
该研究提出了一种基于卷积神经网络 (CNN) 本地通用特征和循环神经网络 (RNN) 为距离依存性检索提供了能力的结构预测框架,称为 ReSeg,旨在解决更具挑战性的语义分割任务并兼顾效率、灵活性和适用性,通过在多个数据集上的评估显示出了最先进的性能优势。
Nov, 2015
利用无人机和图像处理技术自动化当前桥梁视觉检查实践是提高检查效果、鲁棒性和降低成本的一种显著途径。本文研究了一种新颖的深度学习方法,用于检测高分辨率钢桥图像中的疲劳裂纹,首先,我们介绍了一个包含钢桥裂纹图像的新颖而具有挑战性的数据集。其次,我们将 ConvNext 神经网络与先前最先进的编码器 - 解码器网络集成,进行裂纹分割研究和报告,并研究了在应用于高分辨率钢桥裂纹图像时使用背景补丁对网络性能的影响。最后,我们引入了一种损失函数,允许在训练过程中使用更多的背景补丁,从而显著降低了误报率。
Mar, 2024
High-Resolution Network (HRNet) is a new computer vision framework that maintains high-resolution representations through the whole process, resulting in semantically richer and spatially more precise representations, which outperforms existing state-of-the-art frameworks in human pose estimation, semantic segmentation, and object detection.
Aug, 2019