[논문 리뷰] Feature Pyramid and Hierarchical Boosting Network for Pavement Crack Detection

Fan Yang, Lei Zhang외 4명|arXiv (Cornell University)|2019. 01. 18.

Infrastructure Maintenance and Monitoring참고 문헌 60인용 수 61

한 줄 요약

FPHBN은 도로 균열 탐지를 개선하기 위해 피처 피라미드와 계층적 부스팅을 도입하여 여러 데이터셋에서 여러 기준선보다 더 높은 AIU, ODS, OIS를 달성합니다. 또한 균열 탐지를 위한 새로운 AIU 지표를 제안합니다.

ABSTRACT

Pavement crack detection is a critical task for insuring road safety. Manual crack detection is extremely time-consuming. Therefore, an automatic road crack detection method is required to boost this progress. However, it remains a challenging task due to the intensity inhomogeneity of cracks and complexity of the background, e.g., the low contrast with surrounding pavements and possible shadows with similar intensity. Inspired by recent advances of deep learning in computer vision, we propose a novel network architecture, named Feature Pyramid and Hierarchical Boosting Network (FPHBN), for pavement crack detection. The proposed network integrates semantic information to low-level features for crack detection in a feature pyramid way. And, it balances the contribution of both easy and hard samples to loss by nested sample reweighting in a hierarchical way. To demonstrate the superiority and generality of the proposed method, we evaluate the proposed method on five crack datasets and compare it with state-of-the-art crack detection, edge detection, semantic segmentation methods. Extensive experiments show that the proposed method outperforms these state-of-the-art methods in terms of accuracy and generality.

연구 동기 및 목표

• 시간 소모적인 수동 점검을 대체하기 위한 자동 포장 도로 균열 탐지를 촉진한다.
• 피처 피라미드를 통해 다중 스케일 맥락을 융합하는 딥러닝 아키텍처를 개발한다.
• 계층적 부스팅을 이용해 학습 중 쉬운 샘플과 어려운 샘플의 균형을 맞춘다.
• 균열 너비와 주석 편향을 고려하는 강인한 평가 지표(AIU)를 제공한다.
• 여러 균열 데이터셋에 걸친 일반화를 보여준다.

제안 방법

• 다단계 특징 맵을 형성하기 위해 하향식 VGG 기반 특징 추출기를 채택한다.
• 상향식 피처 피라미드를 구축하여 하위 수준 특징에 맥락을 주입한다.
• 각 레벨에 대한 깊은 감독을 위한 사이드 네트워크를 연결한다.
• 상향식 방식으로 사이드 네트워크 간 샘플의 가중치를 재조정하기 위해 계층적 부스팅을 적용한다.
• 다중 스케일 사이드 예측을 융합하고 시그모이드 크로스 엔트로피 손실로 최적화한다.
• AIU를 사용해 평가하고 전통적인 PR 파생 지표(ODS/OIS)와 함께 평가한다.

실험 결과

연구 질문

• RQ1 피처 피라미드가 고수준 맥락을 주입하여 저수준 균열 탐지를 향상시킬 수 있는가?
• RQ2 계층적 부스팅이 학습 중 모델이 어려운 균열/비균열 샘플에 집중하도록 돕는가?
• RQ3 AIU가 PR 기반 측정치와 비교하여 균열 너비 인식 평가에 대해 강건한 보완 지표가 되는가?
• RQ4 제안된 구성요소들이 다양한 포장 균열 데이터셋에서 일반화를 개선하는가?

주요 결과

• FPHBN은 CRACK500 검증에서 AIU 0.560을 달성하며 HED-FP(0.553) 및 기본 HED(0.541)보다 높다.
• CRACK500 테스트에서 FPHBN은 AIU 0.489, ODS 0.604, OIS 0.635를 달성하여 이 지표들에서 HED, RCF, FCN 베이스라인보다 우수하다.
• 얼리스트에서 피처 피라미드를 HED에 추가한 경우(HED-FP)의 AIU가 0.553으로 상승하고, 계층적 부스팅(FPHBN)을 추가하면 AIU가 0.560으로 더 상승한다.
• GAPs384에서 FPHBN은 AIU 0.081, ODS 0.220, OIS 0.231을 달성하여 이 데이터셋에서 HED/RCF/FCN 베이스라인보다 성능이 더 좋다.
• 평가된 방법들 전반에 걸쳐 FPHBN은 에지/세그먼테이션 베이스라인에 비해 더 명확한 균열 탐지와 더 적은 오탐을 보인다(시각적 결과 및 곡선).
• FPHBN은 CRACK500 추론 시 GPU에서 이미지당 대략 0.197초로 실용적 효율성을 시연한다.