利用合成数据微调CNN以改善GPR图像中的异常检测
计算机视觉与模式识别
2022-11-23 v2 人工智能
摘要
探地雷达（GPR）已广泛用于评估一些城市道路和地下设施的正常运行状态。当在某区域利用GPR识别地下异常时，所获数据可能不平衡，且可能的地下异常的数量与类型无法预先获知。本文提出一种新方法，以改善从GPR B扫描图像中检测地下异常的性能。首先在检测区域采集一段正常（即无地下物体）的GPR图像剖面。考虑到GPR图像本质上是电磁波与传播时间的表征，且为同时保留地下背景与物体细节，将该正常GPR图像分割后，与包含不同种类物体的模拟GPR图像基于小波分解相融合，生成该检测区域的合成数据。随后可用合成数据微调预训练的CNN，并用于提取检测区域后续获得的分割后GPR图像的特征。所提取特征可在特征空间中由单类学习算法分类，无需预设异常类型或数量。实验表明，利用所提合成数据微调预训练CNN能有效改善网络对检测区域中物体的特征提取。此外，该方法仅需一段在检测区域易获取的正常数据，且能满足实际应用中的时效性要求。
引用
@article{arxiv.2210.11833,
title = {Improving the Anomaly Detection in GPR Images by Fine-Tuning CNNs with Synthetic Data},
author = {Xiren Zhou and Shikang Liu and Ao Chen and Yizhan Fan and Huanhuan Chen},
journal= {arXiv preprint arXiv:2210.11833},
year = {2022}
}