Pavement Crack Segmentation

Created by [email protected]

Please leave your questions at [email protected] I'll spend as much time as I can to give you a friendly answer.

Data

• data 디렉토리 아래

  • crack 디렉토리와 pot 디렉토리에 train, val, test로 데이터셋 구성

• 256 x 256 단위 패치

• 크랙이 없는 부분은 제거

Requirements

python==3.6
Pillow
matplotlib
numpy==1.14.5
opencv-python
pandas
torch==0.3.1
torchvision==0.2.1
scipy
tqdm
scikit-image
torchtext==0.2.3

Usage

학습 데이터

공유한 구글 드라이브 링크에서 data-MUHAN.zip 다운로드

코드 다운로드

git clone https://github.com/glee1228/segmentation

Requirements.txt 설치

pip3 install -r requirements.txt

학습 데이터 위치 설정

$ mkdir data; cd data
$ mv 원래 data-MUHAN.zip경로 .
$ unzip data-MUHAN.zip
$ rm data-MUHAN.zip
$ cd ..

학습 초기화를 위해 pretrained VGG16 모델 다운로드

$ cd model/
$ wget https://download.pytorch.org/models/vgg16-397923af.pth
$ mv vgg16-397923af.pth vgg16.pth
$ cd ..

Train

python train.py

path 설정 및 에폭 설정 후 실행

Inference

python infer.py

path 설정 및 에폭 설정 후 실행

학습 중 validation 데이터는 train 폴더 안에 생성 -> 확인하면서 학습데이터 구성 조절

Directory configuration

├── segmentation
   ├── train.py
   ├── trainer.py
   ├── util.py
   ├── dataproc.py
   ├── model.py
   ├── infer.py
   ├── crop.py
   ├── mask_proc.py
   ├── measure.py
   ├── merge.py
   ├── ransac.py
   ├── severity.py
   ├── model
       ├── vgg16.pth
   ├── train
       ├── images0
       └── HED0.pth
   ├── output
       └── pred
   └── data
       ├── crack
           ├── train
                ├── croppedimg
                └── croppedgt
           ├── val
                ├── croppedimg
                └── croppedgt
           └── test
                ├── croppedimg
                └── croppedgt
       └── pot
           ├── train
                ├── croppedimg
                └── croppedgt
           ├── val
                ├── croppedimg
                └── croppedgt
           └── test
                ├── croppedimg
                └── croppedgt

HED Network Description

구조는 위의 이미지와 같다.

네트워크의 아이디어는 scale pyramid를 통해 좋은 하나의 결과를 만들자이다.

여러개의 receptive field size로 convolution을 하는데, 병렬적으로 하지 않고, 직렬로 한다.

따라서, 첫번째에서 뽑은 feature를 토대로 두 번째, 세 번째 차례로 점점 더 중요하게 여길 부분을 공략하게 만든다.

Receptive field가 점점 커지기 때문에, 레이어마다 출력 feature 크기는 작지만, 선형 보간을 이용해 입력 이미지와 동일한 크기로 키워서 차곡차곡 겹치게 한 후, convolution을 시행하여 최종 결과물을 만든다.

각 레이어의 feature마다 sigmoid함수 출력 값(0~1)을 합하여 back-prop한다.

HED의 성능 평가 결과는 해당 논문에서 제시한 표에서 확인할 수 있다.