Modeling Multi-Granularity Context Information Flow for Pavement Crack Detection

裂缝检测已成为计算机视觉领域中不可或缺、有趣但具有挑战性的任务。特别地，路面裂缝具有高度复杂的空间结构、低对比度的背景和较弱的空间连续性，对有效的裂缝检测方法构成了重大挑战。本文从利用裂缝上下文的角度解决了这些问题，并提出了一种端到端的深度学习方法来建模上下文信息流。为了精确定位图像中的裂缝，有效地提取和聚合多粒度上下文信息至关重要，包括裂缝周围的细粒度局部上下文（在空间级别）和粗粒度语义（在分段级别）。具体而言，在卷积神经网络（CNN）中，浅层提取的低级特征表示局部信息，而深层提取的高级特征提取语义信息。此外，本文的第二个主要见解是语义上下文应该是指导局部上下文特征的。基于以上观点，本文提出的方法首先应用扩张卷积作为骨干特征提取器来建模局部上下文，然后构建上下文引导模块来利用语义上下文来指导多个阶段的局部特征提取。为了处理阶段之间的标签对齐，我们应用多示例学习（MIL）策略将高级特征与阶段性的低级特征对齐。此外，与这些公共裂缝数据集相比，据我们所知，我们发布了最大、最复杂和最具挑战性的沥青路面裂缝（BPC）数据集。在三个裂缝数据集上的实验结果表明，所提出的方法表现良好，优于当前最先进的方法。

本文旨在解决道路裂缝检测中复杂的空间结构、低对比度背景和弱空间连续性等问题，提出一种利用裂缝上下文的端到端深度学习方法来建模上下文信息流。

本文的关键思路是利用多粒度上下文信息，包括裂缝周围的精细局部上下文和语义层面的粗粒度语义信息，通过扩张卷积来提取局部上下文特征，然后建立上下文引导模块来利用语义上下文引导局部特征提取。

本文释放了最大、最复杂、最具挑战性的沥青路面裂缝（BPC）数据集。实验结果表明，该方法的性能优于当前最先进的方法。

在这个领域中，最近的相关研究包括：1.基于U-Net和ResNet的裂缝检测方法；2.基于深度学习和图像处理的道路裂缝检测。