[论文解读] 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 5

一句话总结

本文提出了一种弱监督框架用于裂缝检测，结合深度学习模型与基于像素亮度的无监督分支，显著降低了对昂贵像素级标注的依赖。该方法即使在低质量标注下仍能保持高检测准确率，通过改进泛化能力，展现出对标注噪声和类别不平衡的鲁棒性。

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.

研究动机与目标

• 解决裂缝检测中像素级监督带来的高标注成本问题，特别是针对现场特定部署场景。
• 通过将裂缝检测建模为弱监督学习问题，减少对精确且昂贵标注的依赖。
• 开发一种即插即用的组件，提升任意语义分割网络在弱监督设置下的性能。
• 提高对类别不平衡以及损失函数中高类别权重导致的过检测现象的鲁棒性。
• 通过最小化各场地重新标注的需求，实现跨多样化环境的可迁移性。

提出的方法

• 将裂缝检测建模为弱监督学习问题，使用图像级标注或低质量像素标注。
• 引入双分支框架：宏观分支（有监督）基于低质量标注进行训练，微观分支（无监督）基于像素亮度。
• 通过可学习的融合机制结合两个分支的预测结果，以优化分割输出。
• 利用微观分支抑制损失函数中高类别权重导致的过检测现象。
• 端到端训练框架，使用标准交叉熵损失，利用亮度作为与裂缝形状或纹理无关的弱信号。
• 在三个数据集上对四种不同CNN架构（如Aigle、DCD）应用该框架，以评估其泛化能力。

实验结果

研究问题

• RQ1 当使用低质量标注（如图像级标签或粗糙分割掩码）进行训练时，弱监督框架是否仍能保持高检测准确率？
• RQ2 基于亮度的无监督分支与弱监督模型结合后，对检测性能的提升效果如何？
• RQ3 所提出的框架在多大程度上降低了对损失函数中类别重平衡权重的敏感性？
• RQ4 该框架是否能在无需为每个场地重新标注的情况下，实现对不同数据集和架构的泛化？
• RQ5 微观分支的引入是否能减少因高类别权重导致的过检测现象，尤其是在具有挑战性的嘈杂环境中？

主要发现

• 所提出的框架即使在粗糙或膨胀标注下训练，也能在多个数据集上实现高检测准确率（F1-score > 0.85）。
• 微观分支能有效抑制由高类别权重引起的过检测现象，在Aigle和DCD等模型上将性能退化降低高达30%。
• 当使用100倍最优类别权重训练时，加入微观分支的模型F1-score反而提升，表明对超参数误配置具有更强鲁棒性。
• 该框架降低了对类别重平衡权重的敏感性，提升了稳定性，减少了对精确超参数调优的依赖。
• 视觉分析表明，当微观分支激活时，宏观分支的预测对深色区域的偏差减小，从而降低了在非裂缝深色区域的误报率。
• 该框架在四种不同架构和三个数据集上均保持了优异性能，证明了其广泛适用性和可迁移性。