基于对抗性图像-频率变换的无监督像素级道路缺陷检测

-在过去几年中，由于计算机视觉和深度学习方面的各种研究取得了进展，道路缺陷检测的性能得到了显著提高。尽管大规模且注释良好的数据集在一定程度上提高了检测道路缺陷的性能，但在实践中，推导一个能够可靠地适用于各种道路条件的模型仍然是一个挑战，因为考虑到各种道路条件和缺陷模式，构建一个数据集是很困难的。为此，我们提出了一种无监督的检测道路缺陷的方法，即使用Adver  sarial图像到频率变换（AIFT）。AIFT采用无监督方式和对抗式学习来推导缺陷检测模型，因此AIFT不需要对道路缺陷进行注释。我们使用GAPs384数据集、Cracktree200数据集、CRACK500数据集和CFD数据集评估了AIFT的效率。实验结果表明，该方法能够检测各种道路检测，其性能优于现有的先进方法。在本文中，我们提出了一种基于对抗性图像-频率变换的无监督道路缺陷检测方法。实验结果表明，该方法在训练过程中不需要对道路缺陷进行明确的标注，就能检测出各种道路缺陷模式，并且在大多数道路缺陷检测实验中，其性能优于现有的最新方法。