基于生成式对抗网络的细小桥梁裂缝分割方法 
下载： 1700次
Method for Small-Bridge-Crack Segmentation Based on Generative Adversarial Network
陕西师范大学计算机科学学院, 陕西 西安 710119
图 & 表
图 1. 低分辨率子图切分示意图。(a)原始图像;(b)切分示意图;(c)切分成的低分辨率子图
Fig. 1. Schematic of low-resolution subgraph segmentation. (a) Original image; (b) schematic of segmentation; (c) low-resolution subgraphs after segmentation
下载图片 查看原文
图 2. 判别器结构示意图
Fig. 2. Structural diagram of discriminator
下载图片 查看原文
图 3. 差异判别分支结构
Fig. 3. Structural diagram of Discrimination branch
下载图片 查看原文
图 4. 分割分支结构图
Fig. 4. Structural diagram of segmentation branch
下载图片 查看原文
图 5. 生成网络结构对比图
Fig. 5. Comparison chart of generated network structures
下载图片 查看原文
图 6. 桥梁裂缝图像与手工标注的语义分割标签图。 (a)桥梁裂缝图像;(b)手工标注的分割图像
Fig. 6. Bridge-crack image and manually labelled semantic segmentation image. (a) Bridge-crack image; (b) manually labelled segmentation image
下载图片 查看原文
图 7. 算法分割效果对比图。(a)原始图像;(b)标签图;(c) AdaptNet;(d) FC-DenseNet;(e) PSPNet;(f) SE-GAN
Fig. 7. Comparison of segmentation results using different algorithms. (a) Original images; (b) labelled images; (c) AdaptNet; (d) FC-DenseNet; (e) PSPNet; (f) SE-GAN
下载图片 查看原文
图 8. 细小桥梁裂缝分割结果对比图。 (a)原始图像;(b)标签图;(c) AdaptNet;(d) FC-DenseNet;(e) PSPNet;(f) SE-GAN
Fig. 8. Comparison of small-bridge-crack segmentation results. (a) Original images; (b) labelled images; (c) AdaptNet; (d) FC-DenseNet; (e) PSPNet; (f) SE-GAN
下载图片 查看原文
图 9. 不同损失对生成图像PSNR的影响
Fig. 9. Effect of loss on PSNR of generated image
下载图片 查看原文
图 10. 损失函数效果对比图。(a)原始图像;(b)低分辨率图像;(c) Ladv;(d) Ladv+Lp;(e) Ladv+Lp+Lseg
Fig. 10. Comparison of effect of loss function. (a) Original images; (b) low-resolution images; (c) Ladv; (d) Ladv+Lp; (e) Ladv+Lp+Lseg
下载图片 查看原文
图 11. 不同判别器生成的超分辨图像。(a)原始图像;(b)低分辨率图像;(c)传统判别器;(d)差异判别器
Fig. 11. Super-resolution images generated by different discriminators. (a) Original images; (b) low-resolution images; (c) traditional discriminator; (d) discrimination branch
下载图片 查看原文
表 1不同算法分割效果对比
Table1. Comparison of segmentation results using different algorithms%
| Algorithm | Precision | Recall | F1 score | Mean IOU |
|---|
| Adapt Net | 82.6 | 50.9 | 63.0 | 70.5 | | FC-DenseNet | 89.3 | 52.8 | 66.4 | 72.9 | | PSPNet | 95.1 | 56.9 | 71.2 | 76.0 | | SE-GAN | 95.5 | 70.4 | 81.1 | 82.2 |
|
查看原文
表 2不同损失函数对生成图像的影响
Table2. Effect of loss function on generated image
| Loss function fortraining | PSRN | MSE | SSIM |
|---|
| Ladv | 25.0076 | 165.2917 | 0.8210 | | Ladv+Lp | 26.0750 | 160.5380 | 0.8546 | | Ladv+Lp+Lseg | 27.6830 | 110.8601 | 0.8702 |
|
查看原文
表 3不同判别器生成的超分辨图像质量
Table3. Quality of super-resolution images generated by different discriminators
| Discriminator | PSRN | MSE | SSIM |
|---|
| Low-resolution image | 22.2210 | 389.9000 | 0.3152 | | Traditional discriminator | 26.7781 | 136.5404 | 0.8620 | | Discrimination branch | 27.6830 | 110.8601 | 0.8702 |
|
查看原文
李良福, 胡敏. 基于生成式对抗网络的细小桥梁裂缝分割方法[J]. 激光与光电子学进展, 2019, 56(10): 101004. Liangfu Li, Min Hu. Method for Small-Bridge-Crack Segmentation Based on Generative Adversarial Network[J]. Laser & Optoelectronics Progress, 2019, 56(10): 101004.
PDF全文
