.png){kind=icon}
返回
A parameter-free and effective automatic augmentation method for improved crack segmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105069.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习方法，如语义分割，在基础设施裂缝检测方面表现出优异的性能和广阔的应用前景。然而，获取和扩充标注训练数据集的高昂成本显著限制了模型性能。数据增强是缓解此问题的理想方法。然而，特定增强操作的可迁移性较差，且增强策略的选择往往需要在复杂度、成本和性能之间进行权衡。本文提出了一种基于区域的新型增强操作Mix-Crack和一种基于线性回归的新型增强选择方法。此外，在上述两种方法的支持下，针对裂缝分割任务，提出了一种简单、有效且通用的自动增强方法，命名为HybridAugment（HA）。HA的整个流程无参数且成本低廉。为研究其性能，进行了大量实验。首先，针对不同的操作设计、增强空间大小和样本组成进行了全面的消融实验。随后，将HA与先前在多种裂缝分割场景中的最新方法进行了比较。结果表明，HA优于先前的增强方法，并在裂缝预测精度和模型训练稳定性方面取得了卓越性能。
Keyword:
Crack detection
Automatic augmentation
Deep learning
Augmentation selection
Mix-Crack
HybridAugment
期刊
IF:
3.6
论文数:
9.9K
被引数:
1.7W
机构
引用论文
Scale–Space Data Augmentation for Deep Transfer Learning of Crack Damage from Small Sized Datasets
PREAI
分享收藏Automatic pixel-level crack segmentation in images using fully convolutional neural network based on residual blocks and pixel local weights基于残差块和像素局部权重的全卷积神经网络图像像素级裂纹自动分割
PREAI
分享收藏
分享收藏分享收藏DeepCrack: A deep hierarchical feature learning architecture for crack segmentation.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容