激光与光电子学进展
随着计算 机行 业 的飞 速 发展
,
一系 列 基于计 算
机视觉
、
数字图像处理的方法被应用于裂缝检测
[
#
M
>
]
中
。
,7
等
[
=
]
提 出 了 一 种 基 于 相 邻 差 分 直 方 图 的 裂
缝分割算法
,
这类基 于阈 值 分割 的 裂 缝 识 别 方 法 易
受光照
、
噪声和纹 理的 影 响
,
检 测 效 果 往 往 不稳 定
。
针对这一问 题
,
,-6O.40&P
等
[
!
]
结 合 形 态 学 处 理 和
逻辑回归算法对裂 缝 进 行 检 测
,
利用 统 计 学 分 类 方
法滤除噪声
,
提高了检测精度
。
近几年
,
在物体检测
和识别
[
"
M
<
]
方向上 取 得 重 要 成 果 的 深 度 学 习 方 法 也
逐渐被用到桥梁裂缝的检测中
。
赵珊珊等
[
+
]
提出使
用卷积神经网络对 裂 缝进 行 检 测
,
对预 标 记的 裂 缝
图像块进行预处理
,
将预 处 理 后 的 图像 输 入 卷 积 神
经网络中完成对裂缝的检测
。
为了进一步将裂缝检
测精 确 到像素
,
cv
9
&B
等
[
#$
]
提出 全 卷积 语 义分 割 网
络
,
该模型可以获得 更 贴合 裂 缝 本 身 分布 的 检 测 结
果
,
但其将低分辨率 分 割图 上 采样 至 输 入 图 像 分 辨
率机 制
,
花 费 了 大 量 计 算 成 本
。
针 对 这 一 问 题
,
F-O076-0-
;
-6-6
等
[
##
]
在 解 码 器 中 使 用 池 化 层 索 引
对特征图进行上采 样
,
使 得 待 分割 图 像可 以 保 持 高
频细节的完整性
。
但是
,
对于分布杂乱
、
特征相对不
明显的细小桥梁裂缝而言
,
由于特征信息难提取
,
裂
缝本身分布面积小 于 周围 障 碍 物
,
以 及 对 应 位 置 像
素信息与周围接近 等 原 因
,
上 述 传 统 的 裂 缝 检 测 方
法
对细小桥梁裂缝的检测效果往往不佳
。
针对小目
标检测问题
,
通常是 增加 输 入图 像 的 数 量 以 提 高 小
目标的 分 辨 率
,
从 而 获 得 高 分 辨 率 的 特 征 图
[
#*
M
#<
]
。
还可以通过修改网 络 模型
,
将多 个 低 层 特 征合 成 新
的高层特征
,
以生成小目标的多尺度表示方法
[
#+
M
*#
]
。
以上方法均试图通过数据增强或者增加特征维
度提高模型对小目标的检测能力
。
通过数据增强的
方法常常导致训练和测试耗费大量的时间
。
而由低
级特征构造高级特 征 的方 法
,
则不 能 保 证 所 构造 的
特征对最终的检测 有 效
,
且其 对 检 测 效 果 的 贡 献 也
仅限于偿还计算 成 本
。
对于 小 目标 检 测问 题
,
有 效
的方法是寻找每个类别目标的低分辨率图像和其对
应的高分辨率图像 内 在 结 构 的 相 关 性
,
将低 分 辨率
图像按照一定的规则转换为与高分辨率图像相似的
超分辨率图像
,
再使 用 转 换后 的 超 分 辨 率 图 像 代 替
低分辨率图像 完成 检 测任 务
。
相 比 低 分辨 率 图像
,
超分辨率图像具有更多可以被分类模型检测到的细
节特征
,
改善了网络的欠拟合问题
,
从而提高了检测
准确率
。
生成 式 对 抗 网 络
[
**
]
具 有 学 习 图 像 间 潜 在
关联并依此生成以 假 乱真 的 图像 的 特 性
。
因 此
,
本
文提 出 一种 分 割生 成 对 抗 网 络
(
G]
M
^?)
),
将 具 有
低分辨 率 的 细 小 桥 梁 裂 缝 图 像 输 入 到 网 络
,
得 到
超分辨 率 图 像 以 及 对 应 的 裂 缝 分 割 结 果
。
在
G]
M
^?)
模型 中
,
对判 别 器 结 构 和 生 成 器 结 构 分 别 进
行了 改 进
。
在 判 别 器 结 构 中
,
将 原 本 识 别 输 入 图
像
真伪 的 传 统 判 别 器 更 名 为 判 别 分 支
,
同 时 为 判
别器 结 构 引 入 了 分 割 分 支
,
并 通 过 分 割 分 支 反 馈
的分割 损失 和 判 别 分 支 反 馈 的 对 抗 损 失 共 同 引 导
生成 器 生 成 更 为 真 实 的 超 分 辨 率 图
。
与 此 同 时
,
为了 进 一步挖 掘 真 实 的 高 分 辨 率 图 像 与 生 成 器 生
成的 图 像 之 间 的 潜 在 关 联
,
对 判 别 器 结 构 中 的 判
别分支 的 输 出 部 分 进 行 了 改 进
,
使 得 判 别 器 回 传
的信息 更 准 确
;
在 生 成 器 结 构 中
,
引 入 了 像 素 损
失
,
使得 生 成 器 可 以 生 成 视 觉 上 与 真 实 图 像 更 相
似的 超 分辨率 图像
。
*
相关工作
2.1
生成式对抗网络原理
生成式对抗网络由生成器和判别器两个部分组
成
。
判别器是一个简 单 地卷 积 神 经 网 络 模 型
,
其以
真实图像和生成器 构 造的 虚 假 图 像 为 输 入
,
通过 一
系列卷积层
、
激励 层
、
归一 化 层
、
池 化 层 对 输 入 数据
进行特征提取
,
最终输出
[
$
,
#
]
区间的概率值
。
生成
器则是一个反向的 卷 积神 经 网络 模 型
,
通过 一 系 列
反卷积层进行上采样
,
结合激励层
,
将低维向量转化
为与真实图像维度相同的向量输出
。
其中生成器的
输入是随机生成的高斯白噪声
,
经过生成器网络的解
码
,
最终输出一个与真实图像大小相同的向量
,
然后
通过判别器预测的置信值计算与真实类别对应标签
之间的差距
,
直接将此误差作为反向传播的误差来更
新
参数以及最初的输入向量
。
生成式对抗网络采用
交叉熵损失函数进行参数优化
,
该过程可表示为
P76
^
P-K
Z
V
(
D
,
G
)
=
E
x
~
P
O-4-
(
x
)
{
’N
[
D
(
x
)]}
+
E
x
~
P
G
(
x
)
{
’N
{
#
-
D
[
G
(
z
)]}}, (
#
)
式中
:
P76
^
P-K
Z
V
(
D
,
G
)
为损失 函数
;
V
为损 失 函
数
;
E
表 示 均 值
;
D
为 判 别 器 模 型
;
G
为 生 成 器 模
型
;
P
为向量分 布 类 型
;
x
为 真 实 图 像
;
z
为 输 入 的
随机噪声向量
。
判别器需要判别输入的是真实图像
还 是 生 成 器 生 成 的 图 像
,
当 输 入 为 真 实 图 像 时
,
D
(
x
)
的值趋 近 于
#
;
当 输 入 为 生 成 器 生 成 的 图 像
时
,
D
(
x
)
的值趋近于零
。
生成器则需尽 可 能调 整
z
的分 布
,
使 得
G
(
z
)
与
x
的 分 布 差 异 最 小 化
,
即 使
D
[
G
(
z
)]
趋近于
#
。
由于生成式对抗网络具有两个
子网络模型
,
因此 采 用 逐 步 交 叉 的 训 练 方 式
。
训练
判别器时的损失函数为
#$#$$=
M
*
评论0
最新资源