DeepCrack: طريقة جديدة تعتمد على التسلسل الهرمي لـ CNN لتجزئة الكراك

توضيح لعمارة DeepCrack المقترحة. في هذه البنية ، لا توجد طبقات متصلة بالكامل ، يتم إدخال طبقات الإخراج الجانبي بعد الطبقات التلافيفية ، يتم تطبيق الإشراف العميق على كل طبقة خرج جانبي ، ثم يتم تجميعها كلها لتشكيل مخرجات نهائية مدمجة. وبهذه الطريقة ، تكتسب طبقة الإخراج النهائية ميزات متعددة المستويات ومتعددة المستويات ، حيث يصبح حجم مستوي مدخلات طبقات الإخراج الجانبي أصغر ويصبح حجم الحقل التقديري أكبر. يتم تنقيح التنبؤ المنصهر من خلال التصفية الموجهة مع أول طبقة خرج جانبي. الائتمان: ليو وآخرون.

قام باحثون في مختبر الرؤية والانتقاء عن بعد (CVRS) التابع لجامعة ووهان في الصين بتطويرشبكة عصبية تراتبية عميقة جديدة(CNN) للتنبؤ بتجزئة الكراك. نهجهم ، ودعا DeepCrack ، ويرد في ورقة نشرت مؤخرا في Neurocomputing .

وكتب الباحثون في ورقتهم "نقترح شبكة عصبية تراتبية عميقة (سي.ان.ان) تدعى ديب كراك للتنبؤ بتجزئة الكسر من خلال طريقة متكاملة". "أثناء التدريب ، يتعلم النموذج المصمم بشكل متقن ويجمع ميزات متعددة المستويات ومتعددة المستويات من الطبقات التلافيفية المنخفضة إلى الطبقات التلافيفية عالية المستوى ، والتي تختلف عن الطرق القياسية لاستخدام الطبقة التلافيفية الأخيرة فقط".

عادةً ما يتطلب اكتشاف الشقوق في الصور الطبيعية مستويات مختلفة من المعالجة البصرية. ولذلك ، فقد ثبت أن تصميم طريقة شاملة يمكنها الكشف عن الشقوق في مجموعة متنوعة من المشاهد حتى الآن أمر صعب للغاية.

وقد أدخلت الدراسات السابقة العديد من طرق رؤية الكمبيوتر للكشف عن الشقوق ، والتي يمكن تجميعها في فئتين عريضتين: المقاربات القائمة على الميزات المحلية والقائمة على الميزات العالمية. تعمل الأساليب القائمة على الميزات المحلية من خلال استغلال الميزات المحلية مثل الشدة والتدرج والتباين المحلي وتفاوت الخواص المحلية ، في حين تقوم الأساليب القائمة على الميزة العالمية باستخراج منحنيات الكراك في عرض شامل للمبنى عبر البرمجة الديناميكية وتحسين وظائف الهدف بناءً على معايير محددة. على الرغم من النتائج الواعدة التي حصلت عليها بعض هذه الطرق ، فإنها لا تتعامل دائمًا مع الضوضاء الناجمة عن البقع والبقع والإضاءة السيئة والضبابية وعوامل أخرى.

توصلت دراسات حديثة إلى أن الشبكات العصبية التلافيفية (CNNs) يمكنها تحقيق أداء متطور في مجموعة متنوعة من مهام رؤية الكمبيوتر المتقدمة ، بما في ذلك التعرف على الصور ، واكتشاف الأشياء والتجزئة الدلالية. يمكن لشبكات CNN تجميع مستويات بصرية متعددة ، وبالتالي يمكن أن تكون فعالة بشكل خاص في الكشف عن الشقوق وتقطيعها.

اقترح فريق من الباحثين في جامعة ووهان طريقة تجزئة الكراك الجديدة القائمة على CNNs ، والتي يمكن أن تتعلم بفاعلية الملامح الهرمية للشقوق في مشاهد متعددة وعلى مستويات مختلفة. ولتحسين التنبؤ ب CNNs ، استخدم الباحثون التصفية الموجهة (GF) والتقنيات العشوائية الشرطية (CRFs).

DeepCrack ، النهج الجديد الذي قدمه الباحثون ، يتكون من شبكات تلافية كاملة موسعة (FCNs) وشبكات تحت إشراف عميق (DSNs). يوفر المكون DSN من النموذج الخاص بهم الإشراف المباشر لتعلم ميزات متعددة المستويات ، وتسهيل تعلم ميزة كل طبقة التلافيفي.

في دراستهم ، قدم الباحثون أيضًا مجموعة بيانات قياسية مع صور مفصَّلة يدوياً للشقوق ، والتي يمكن استخدامها لتقييم أنظمة الكشف عن الشقوق. بالإضافة إلى ذلك ، قاموا بتأسيس مقاييس كاملة لتقييمأنظمة الكشف عن التشقق ، مثل اختبارات تجزئة الدلالات ، ومنحنى الاستذكار الدقيق ومنحنى التشغيل المتميز (ROC).

قام الباحثون بتقييم DeepCrack ومقارنته بالنهج الأخرى لتجزئة الكراك ، وذلك باستخدام مجموعة البيانات والمقاييس التي ابتكرتها. في هذه التقييمات ، نفذت طريقتهم فضلا عن غيرها من التقنيات الحديثة. إنهم يخططون الآن لتطوير حياتهم طريقة أخرى، في حين اضاف أيضا المزيد من الصور من مناطق صدع كاذبة لمجموعة البيانات الخاصة بهم القياسي، لجعله أكثر شمولا.