基于对抗与多任务学习的桥梁间知识迁移用于行驶车辆监测
计算机视觉与模式识别
2020-06-09 v1
摘要
利用行驶车辆的振动监测桥梁健康具有诸多优势，例如成本低且无需在桥上直接安装或现场维护设备。然而，许多此类方法需要每座桥梁的标注数据，而获取这些数据即便可能也昂贵且耗时。多诊断任务（如损伤量化与定位）进一步加剧了这一问题。解决该问题的一种方式是直接将为一座桥梁训练的监督模型应用于其他桥梁，但由于不同桥梁数据间的分布失配，这可能会显著降低精度。为缓解这些问题，我们引入了一种使用域对抗训练与多任务学习的迁移学习框架，以检测、定位和量化损伤。具体而言，我们以对抗方式训练深度网络，学习 1) 对损伤敏感且 2) 对不同桥梁不变的特征。此外，为改善任务间的误差传播，我们的框架使用多任务学习为所有任务学习共享特征。我们使用两座不同桥梁的实验室规模实验评估了我们的框架。平均而言，我们的框架在损伤检测、定位和量化上分别达到 94%、97% 和 84% 的准确率（在一个损伤严重等级内）。
引用
@article{arxiv.2006.03641,
title = {Knowledge transfer between bridges for drive-by monitoring using adversarial and multi-task learning},
author = {Jingxiao Liu and Mario Bergés and Jacobo Bielak and Hae Young Noh},
journal= {arXiv preprint arXiv:2006.03641},
year = {2020}
}