用于全球道路损坏检测的CNN模型与调优
摘要
本文报告了我们在全球道路损坏检测挑战赛中所采用的方案，包括模型选择、调优策略及取得的结果。该大数据杯挑战赛作为2020年IEEE国际大数据会议的一部分举办。我们评估了用于目标检测的单阶段与多阶段网络架构，并使用Detectron2和Yolov5等流行的先进开源PyTorch框架提供了基准测试。文中讨论了由捷克、印度和日本的智能手机摄像头所采集的提供的道路损坏训练数据集的数据准备工作。我们研究了按国家分别训练与单一可泛化模型相比的效果。我们简要描述了以Deep Residual Network (Resnet)和Feature Pyramid Network (FPN)为骨干网络的两阶段Faster R-CNN实验的调优策略。此外，我们将其与以Cross Stage Partial Network (CSPNet)为骨干的单阶段Yolov5模型进行了比较。我们使用多阶段Faster R-CNN模型（分别采用Resnet-50和Resnet-101骨干网络）在Test2和Test1数据集上取得了0.542和0.536的平均F1分数。这表明与其更复杂的对应模型相比，Resnet-50模型具有更好的泛化能力。实验使用Google Colab（配备K80）和一台配备1080Ti NVIDIA消费级GPU的Linux PC进行。基于PyTorch的Detectron2代码用于预处理、训练、测试并将平均F1分数提交，已发布于https://github.com/vishwakarmarhl/rdd2020。
引用
@article{arxiv.2103.09512,
title = {CNN Model & Tuning for Global Road Damage Detection},
author = {Rahul Vishwakarma and Ravigopal Vennelakanti},
journal= {arXiv preprint arXiv:2103.09512},
year = {2021}
}
备注
7 pages, 13 figures, 4 tables, Invited submission to IEEE BigData Cup Global Road Damage Detection Challenge 2020