孟加拉国坑洼数据集上分类与分割模型的性能比较分析
计算机视觉与模式识别
2025-01-14 v1
摘要
本研究对流行的分类和分割模型在孟加拉国坑洼数据集上进行了全面的性能分析，该数据集由本研究作者开发。这个包含824个样本的自定义数据集收集自达卡和博古拉的街道，与现有文献中使用的工业和自定义数据集相比具有竞争力。数据集进一步进行了四倍增强用于分割评估，十倍增强用于分类评估。我们在两个数据集上测试了九个分类模型（CCT、CNN、INN、Swin Transformer、ConvMixer、VGG16、ResNet50、DenseNet201和Xception）和四个分割模型（U-Net、ResU-Net、U-Net++和Attention-Unet）。在分类模型中，轻量级模型如CCT、CNN、INN、Swin Transformer和ConvMixer因其低计算需求和更快的预测时间而受到重视。轻量级模型表现良好，常常与重量级模型的性能相当。此外，增强被发现能提升所有测试模型的性能。实验结果表明，我们的数据集与现有文献中使用的类似分类模型相比表现相当或更优，准确率和F1分数超过99%。该数据集在分割方面也与现有数据集表现相当，模型Dice相似系数达到67.54%，IoU分数达到59.39%。
引用
@article{arxiv.2501.06602,
title = {A Comparative Performance Analysis of Classification and Segmentation Models on Bangladeshi Pothole Dataset},
author = {Antara Firoz Parsa and S. M. Abdullah and Anika Hasan Talukder and Md. Asif Shahidullah Kabbya and Shakib Al Hasan and Md. Farhadul Islam and Jannatun Noor},
journal= {arXiv preprint arXiv:2501.06602},
year = {2025}
}
备注
8 Tables, 7 Figures