[論文レビュー] Crack Detection as a Weakly-Supervised Problem: Towards Achieving Less Annotation-Intensive Crack Detectors

Yuki Inoue, Hiroto Nagayoshi|arXiv (Cornell University)|Nov 4, 2020

Infrastructure Maintenance and Monitoring参考文献 21被引用数 5

ひとこと要約

本稿では、深層学習モデルと画素の明るさに基づく非教師ありブランチを組み合わせた弱教師ありフレームワークを提案し、高価な画素レベルのアノテーションへの依存を顕著に低減する。この手法は、低品質なアノテーションでも高い検出精度を維持し、一般化性能の向上によりアノテーションノイズやクラス不均衡に対して高いロバスト性を示す。

ABSTRACT

Automatic crack detection is a critical task that has the potential to drastically reduce labor-intensive building and road inspections currently being done manually. Recent studies in this field have significantly improved the detection accuracy. However, the methods often heavily rely on costly annotation processes. In addition, to handle a wide variety of target domains, new batches of annotations are usually required for each new environment. This makes the data annotation cost a significant bottleneck when deploying crack detection systems in real life. To resolve this issue, we formulate the crack detection problem as a weakly-supervised problem and propose a two-branched framework. By combining predictions of a supervised model trained on low quality annotations with predictions based on pixel brightness, our framework is less affected by the annotation quality. Experimental results show that the proposed framework retains high detection accuracy even when provided with low quality annotations. Implementation of the proposed framework is publicly available at https://github.com/hitachi-rd-cv/weakly-sup-crackdet.

研究の動機と目的

• 現場特有の展開を想定した、画素レベルの教師あり学習における高いアノテーションコストを低減すること。
• ひび割れ検出を弱教師あり問題として定式化することで、正確で高価なアノテーションへの依存度を低下させること。
• 任意のセマンティックセグメンテーションネットワークの性能を向上させる、即席で使えるコンポonentを開発すること。
• 損失関数における高いクラスウェイトによる過検出やクラス不均衡に対するロバスト性を向上させること。
• 各現場での再アノテーションを最小限に抑えることで、多様な環境間での移植性を実現すること。

提案手法

• 画像レベルのラベルや低品質な画素アノテーションを用いて、ひび割れ検出を弱教師あり学習問題として定式化する。
• 二本のブランチからなるフレームワークを導入：マクロブランチ（教師あり）は低品質なアノテーションで学習され、マイクロブランチ（非教師あり）は画素の明るさに基づく。
• 両ブランチの予測結果を学習可能で柔軟な統合メカニズムを用いて統合し、セグメンテーション出力を精緻化する。
• マイクロブランチを用いて、損失関数における高クラスウェイトによる過検出を抑制する。
• 標準的なクロスエントロピー損失を用いて、ひびの形状やテクスチャとは無関係に明るさを弱い信号として活用しながら、エンドツーエンドでフレームワークを訓練する。
• 3つのデータセットで4つの異なるCNNアーキテクチャ（例：Aigle, DCD）に本フレームワークを適用し、一般化性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 画像レベルのラベルや粗いセグメンテーションマスクといった低品質なアノテーションで学習された場合でも、弱教師ありフレームワークが高精度な検出を維持できるか？
• RQ2 明るさに基づく非教師ありブランチが、弱教師ありモデルと組み合わせることで、検出性能をどの程度向上できるか？
• RQ3 提案フレームワークが、損失関数におけるクラス再バランスウェイトへの感受性をどの程度低減できるか？
• RQ4 各現場での再アノテーションを要せず、異なるデータセットやアーキテクチャ間で一般化できるか？
• RQ5 マイクロブランチの導入により、特にノイズの多い環境下で高クラスウェイトに起因する過検出がどの程度低減できるか？

主な発見

• 提案フレームワークは、粗いまたは膨張したアノテーションで学習された場合でも、複数のデータセットでF1スコア > 0.85 の高い検出精度を達成した。
• マイクロブランチは、高クラスウェイトに起因する過検出を効果的に抑制し、Aigle や DCD などのモデルでは性能低下を最大30％まで低減した。
• 最適なクラスウェイトの100倍の重みを用いて学習したモデルでも、マイクロブランチを組み込むことでF1スコアが向上した。これは、ハイパーパramータの誤設定に対しても耐性が向上していることを示している。
• フレームワークはクラス再バランスウェイトへの感受性を低減し、より安定した性能を発揮し、正確なハイパーパramータチューニングに依存しなくなった。
• 可視化解析により、マイクロブランチが有効な際、マクロブランチの予測が暗い領域に偏りにくくなり、非ひび割れの暗い領域における誤検出が減少した。
• フレームワークは4つの異なるアーキテクチャと3つのデータセットで強力な性能を維持した。これにより、広範な適用可能性と移植性が確認された。