面向低数据类别不平衡情形的平衡半监督生成对抗网络用于损伤评估
机器学习
2022-11-30 v1 图像与视频处理
摘要
近年来，将深度学习（DL）应用于结构损伤评估在基于视觉的结构健康监测（SHM）中日益受到关注。然而，数据匮乏与类别不平衡阻碍了 DL 在 SHM 实际应用中的广泛采用。常见的缓解策略包括迁移学习、过采样和欠采样，但这些临时方法仅能提供有限的性能提升，且因案例而异。在本工作中，我们引入生成对抗网络（GAN）的一个变体，称为平衡半监督 GAN（BSS-GAN）。它采用半监督学习思想，并在训练中应用平衡批次采样，以解决低数据与类别不平衡问题。在计算能力有限的情况下，针对混凝土开裂与剥落分类，于低数据类别不平衡情形下开展了一系列计算机实验。结果表明，BSS-GAN 在召回率与 分数方面优于其他常规方法，显示出其最先进的性能。
引用
@article{arxiv.2211.15961,
title = {Balanced Semi-Supervised Generative Adversarial Network for Damage Assessment from Low-Data Imbalanced-Class Regime},
author = {Yuqing Gao and Pengyuan Zhai and Khalid M. Mosalam},
journal= {arXiv preprint arXiv:2211.15961},
year = {2022}
}