基于持续学习的结构损伤识别框架
计算机视觉与模式识别
2024-08-29 v1 人工智能
摘要
加固混凝土结构常见多损伤情况，若采用卷积神经网络（CNN）进行损伤识别，将导致大量神经网络、参数和数据存储需求。此外，传统 CNN 在持续学习过程中随着任务数量增加会出现灾难性遗忘和训练效率低下，导致前几任务的准确率显著下降。为解决这些问题，本研究提出了一种持续学习基于损伤识别模型（CLDRM），将无 forgetting 持续学习方法集成到 ResNet-34 架构中，用于 RC 结构及其相关构件的损伤识别。设计了三个实验用于四个识别任务，以验证 CLDRM 框架的可行性和有效性。如此可在四个连续学习任务中将预测时间和数据存储量分别约减少 75%。通过渐进特征融合，CLDRM 在损伤识别和分类方面优于其他方法，实现了高准确率。随着识别任务数量的增加，CLDRM 也经历了较小的前几任务准确率下降。结果表明，CLDRM 框架在合理的准确率和有效性下成功实现了损伤识别和分类。
引用
@article{arxiv.2408.15513,
title = {Continual-learning-based framework for structural damage recognition},
author = {Jiangpeng Shu and Jiawei Zhang and Reachsak Ly and Fangzheng Lin and Yuanfeng Duan},
journal= {arXiv preprint arXiv:2408.15513},
year = {2024}
}
备注
18 pages, 12 figures