.png){kind=icon}
返回
Efficient instance segmentation framework for UAV-based pavement distress detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.autcon.2025.106195.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
路面损坏检测对于确保道路安全至关重要。近年来，无人机（UAVs）已成为高效获取大规模路面图像的手段。然而，传统的路面损坏检测方法在处理无人机图像时面临挑战：目标检测缺乏像素级信息，而语义分割无法区分个体实例。本文介绍了PDIS-Net，一种专为基于无人机的路面损坏检测设计的实例分割框架。PDIS-Net首先采用全动态卷积核生成策略，预测卷积核的位置和权重。随后通过度量学习和卷积核融合对这些卷积核进行优化。最后，这些高质量的卷积核与特征图进行卷积，以生成精确的实例掩码。在UAPD-Instance数据集上的实验结果表明，PDIS-Net在30.8 FPS下实现了78.1%的平均精度均值（mAP），比其他方法高出15.4%。此外，实际测试验证了PDIS-Net在高速公路路面损坏检测中的鲁棒性和有效性，突显了其潜在的实用部署价值。
Keyword:
Pavement distress detection
Unmanned Aerial Vehicle
Instance segmentation
Metric learning
Kernel fusion
期刊
IF:
11.5
论文数:
6.3K
被引数:
4.2W
机构
引用论文
Pixel-Level Cracking Detection on 3D Asphalt Pavement Images Through Deep-Learning- Based CrackNet-V
PREAI
分享收藏
Detection of sealed and unsealed cracks with complex backgrounds using I (A) deep convolutional neural network基于I (A) 深度卷积神经网络的复杂背景下密封和非密封裂缝检测
PREAI
分享收藏Pavement distress detection using convolutional neural networks with images captured via UAV使用卷积神经网络和通过无人机捕获的图像进行路面破损检测
PREAI
分享收藏A tutorial on distance metric learning: Mathematical foundations, algorithms, experimental analysis, prospects and challenges.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容