基于颜色 - 热感人工智能的建筑外围检验的单类异常检测
内容提要
本文综述热成像与深度学习结合的多项研究，涵盖颜色图像异常检测、热像分类去噪、RGB转热成像、面部情感识别、城市热岛分析、建筑能耗检测、墙体U值地图、夜间语义分割、塑料零件异常检测及航空水域分割，并发布首个临海热成像航空数据集。
延伸解读
热成像与RGB的互补价值
文章汇总的多项研究显示，热成像在面部情感识别、夜间语义分割等任务中提供了RGB之外的独特信息。但热成像数据采集成本高、公开数据集有限，且涉及人口多样性时验证难度大。因此，实际应用中需权衡数据获取难度与性能增益，而非简单替换RGB。
建筑能效检测的自动化路径
针对建筑外围护结构，文章介绍了基于热像图的深度学习分割框架，可自动识别热量损失源并消除图像障碍物，以及生成墙壁二维U值地图的像素级方法。这些技术旨在替代人工繁重的检测任务，提供一致可靠的能效评估，但文章未提及具体精度或部署成本。
跨域适应缓解热数据稀缺
多篇工作尝试用RGB数据辅助热成像任务：将RGB转化为热成像以降低数据生成成本，或利用纹理和运动信息进行自监督域适应，使RGB训练的分割网络适用于航空热成像。这些方法在临海热成像数据集上优于有限目标域的全监督模型，并可在嵌入式平台实时运行，但依赖特定域对齐策略。
Q&A
热成像结合深度学习在建筑外围检验中主要有哪些应用方向？
根据文章，热成像结合深度学习在建筑外围检验中的应用包括：自动识别建筑热量损失源、生成墙壁二维U值地图以评估保温性能、分析城市热岛效应、以及利用夜间语义分割进行自动驾驶等。
如何利用深度学习自动检测建筑墙体的热量损失？
文章提到一种基于热像图的分割框架，使用深度学习方法自动识别与剪裁导致能量损耗的热量损失源，并消除图像中的障碍物，从而提供自动化、一致且可靠的解决方案，准确衡量住宅中的能量损失。
生成对抗网络如何用于将RGB图像转化为热成像图像？
文章提出一种端到端框架，利用生成网络和检测网络将RGB图像转化为热成像图像，并通过与真实数据比较，论证了使用生成对抗网络将RGB训练数据转化为热成像数据的可行性，从而加快和降低生成热成像数据的成本。
热成像在面部情感识别中有什么独特性和挑战？
文章指出热成像在面部情感识别上相对于RGB成像具有独特性，并探讨了其在计算机视觉和人工智能领域的潜在用途。但采用热成像作为人类中心AI任务的数据源并不容易，需要高保真数据来源和彻底验证，有限集合是限制之一。
如何解决临海热成像航空数据稀少的问题？
文章提出一种新方法，利用纹理和运动信息作为监督信号，通过在线自监督方式将RGB训练的水域分割网络适用于目标领域的航空热成像。该方法克服了临海热成像数据稀少的问题，并整理了第一个临近海域热成像航空数据集。
基于补丁自编码器的颜色图像异常检测方法在工业图像数据库上的表现如何？
文章研究了基于补丁自编码器的颜色图像异常检测方法，通过比较三种基于错误、潜在空间中正常图像分布的支持估计以及原始图像和重建图像之间的错误，在工业图像数据库MVTecAD上评估，并与两种竞争性的最新方法进行了比较。
