通过路面区域提取与对比学习改进路面状况分类

道路是重要的交通方式，其维护对经济增长和公民福祉至关重要。在许多国家，路面检测仍由人工完成，然而，为实现自动化，当前的研究兴趣集中在通过视觉数据检测路面缺陷。以往的研究主要关注深度学习方法，这些方法倾向于处理整幅图像，导致计算成本高昂。在本研究中，我们专注于在保持较低计算成本的同时提高分类性能。我们引入一个分割模型，使下游分类模型仅关注图像中的路面区域，而非处理整幅图像。此外，我们在模型训练期间采用对比学习来改进路面状况分类。我们在公开的RTK数据集上的实验表明，与先前工作相比，我们提出的方法有显著改进。