优化视觉基础模型用于民用基础设施中裂缝分割
本研究评估两种深度学习模型(SAM 和 U-Net)在探测混凝土结构中的裂缝中的表现。结果表明,每个模型对于不同类型的裂缝具有自己的优势和局限性。通过结合 SAM 和 U-Net 模型,可以实现更准确和全面的裂缝检测结果。这项研究对于民用工程具有重要意义,因为 SAM 和 U-Net 模型可以用于各种混凝土结构,包括桥梁、建筑和道路,提高了裂缝检测的准确性和效率,节省了维护和修理的时间和资源。
Apr, 2023
通过自动化检测建筑结构外观缺陷的方式进行视觉检查至关重要,然而,现有研究主要集中在混凝土和沥青方面,较少关注砖砌缝隙。本文提出了一个包括砖块、破损砖块和裂缝的实例分割数据集,并测试了几种领先的算法。我们提出了两种自动化执行方法,并成功提出了基于单目摄像头和 Hough 线变换的自动图像转换方法,在估计裂缝尺寸方面取得了较好的结果。总体而言,本文填补了自动化砖砌缝隙检测和尺寸估计方面的重要研究空白。
Jan, 2024
我们提出了一种新颖的方法来针对现有模型的泛化性能下降问题,将基础模型自适应于特定领域,如遥感图像。我们通过集成预训练的卷积神经网络作为提示生成器,为 Segment Anything Model 增加了识别能力,从而改善了其在遥感图像上的表现。通过在三个遥感数据集上评估我们的方法,包括 WHU Buildings 数据集、Massachusetts Buildings 数据集和 AICrowd Mapping Challenge 数据集,我们观察到我们的方法在不同分布的性能上取得了显著提高,并计划发布我们的代码库,以促进遥感领域对基础模型进行更多领域特定任务的探索。
Oct, 2023
本文提出了一种在医学图像分割中,利用卷积神经网络与已有的广义模型进行 fine-tuning 的方法,以优化模型的利用效果,并在开放数据集上取得了有竞争力的成果。
Jun, 2023
对于自动分割医学图像的研究,本文总结了目前的微调策略,并在包括所有常见放射学模态的 17 个数据集上进行评估,研究发现微调 Segment Anything Model (SAM) 相较于以前的分割方法具有稍微更好的性能,使用参数效率高的学习在编码器和解码器中进行微调的策略优于其他策略,网络架构对最终性能影响不大,通过自监督学习进一步训练 SAM 可以提高最终模型性能。
Apr, 2024
基于自训练的策略,通过锚点规范化和低秩微调,提升了图像分割基础模型的适应性和计算效率,并在多个下游分割任务中表现出优于预训练模型 SAM 和最先进的领域自适应方法的性能。
Dec, 2023
本文提出了边界引导裂纹分割模型(BGCrack),通过将边界特征引入裂纹识别,采用高频率模块、全局信息建模模块、联合优化模块等结构和模块,并提供了一个为钢结构建立统一的公平基准的钢板裂纹数据集。
Jun, 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