利用深度学习生成模型来增强对轻微青缺陷的识别
Saúl Cano-Ortiz1, Eugenio Sainz-Ortiz2, Lara Lloret Iglesias3
1GITECO Research Group, University of Cantabria, 39005, Santander, Spain. saul.cano@alumnos.unican.es.
Scientific reports
|November 21, 2024
概括
AsphaltGAN生成合成道路缺陷图像,以改善路面危险检测. 这种数据增强显著提高了道路维护对象检测的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 对于路面危险检测的监督学习受到稀缺的注释数据的限制.
- 现有的数据增强生成模型通常是无条件的,专注于分类,而不是对象检测.
研究的目的:
- 引入AsphaltGAN,一个具有注意力的类条件生成对抗网络 (GAN),用于增强道路缺陷数据集.
- 使用合成生成的罕见道路缺陷,提高用于路面维护的物体检测模型.
主要方法:
- 开发了AsphaltGAN,这是一个包含注意力机制的新型类条件GAN.
- 评估了AsphaltGAN.的各种损失函数和超参数调整的影响.
- 提出了一种工作流程,使用由AsphaltGAN生成的合成道路图像来改进对象检测.
主要成果:
- 在公共数据集上,AsphaltGAN的性能优于最先进的生成模型.
- 增强数据集显著改善了对象检测指标,因为你只看一次版本8 (YOLOv8).
- 在多个道路损坏数据集中,改善率高达51.8%.
结论:
- AsphaltGAN有效地产生各种合成道路缺陷,用于数据增强.
- 拟议的工作流提高了在路面维护中对象检测的性能.
- 这种方法解决了自动化道路检查中的数据稀缺性挑战.
