基于SDNET2018的深度学习信念网络自适应结构学习用于混凝土结构图像裂缝检测
计算机视觉与模式识别
2021-10-26 v1 神经与进化计算
摘要
我们开发了自适应结构深度信念网络（Adaptive DBN），可在学习中以自组织方式寻找最优网络结构。Adaptive DBN是分层架构，每层采用自适应受限玻尔兹曼机（Adaptive RBM）。Adaptive RBM能在学习中找到合适的隐藏神经元数量。所提方法应用于混凝土图像基准数据集SDNET2018进行裂缝检测。该数据集包含约56,000张三类混凝土结构（桥面板、墙面和铺装道路）的裂缝图像。Adaptive DBN的微调方法对三类结构分别展示99.7%、99.7%和99.4%分类准确率。然而，我们发现数据库包含一些人类专家无法从图像判断的错误标注数据。本文讨论探究错误案例主要因素及从数据集中移除对抗样本的思考。
引用
@article{arxiv.2110.12700,
title = {An Adaptive Structural Learning of Deep Belief Network for Image-based Crack Detection in Concrete Structures Using SDNET2018},
author = {Shin Kamada and Takumi Ichimura and Takashi Iwasaki},
journal= {arXiv preprint arXiv:2110.12700},
year = {2021}
}
备注
6 pages, 10 figures, 2020 International Conference on Image Processing and Robotics (ICIP)