基于元学习卷积网络架构与混凝土缺陷桥梁图像数据集的多目标混凝土缺陷分类
计算机视觉与模式识别
2019-04-19 v1 机器学习
机器学习
摘要
混凝土基础设施（尤其是桥梁）中缺陷的识别，是结构完整性评估中成本高且耗时的关键第一步。混凝土材料外观的巨大差异、光照与天气条件的变化、各类可能的表面标记，以及不同类型缺陷可能相互重叠，使其成为一个具挑战性的现实任务。本工作中我们引入了新颖的混凝土缺陷桥梁图像数据集（CODEBRIM），用于五类常见混凝土缺陷的多目标分类。我们研究并比较了两种基于强化学习的元学习方法——MetaQNN 与高效神经架构搜索，以为这一具挑战性的多类多目标任务寻找合适的卷积神经网络架构。我们表明，与文献中流行的、在我们的应用背景下评估的神经网络架构相比，所学架构具有更少的总体参数，同时取得了更好的多目标精度。
引用
@article{arxiv.1904.08486,
title = {Meta-learning Convolutional Neural Architectures for Multi-target Concrete Defect Classification with the COncrete DEfect BRidge IMage Dataset},
author = {Martin Mundt and Sagnik Majumder and Sreenivas Murali and Panagiotis Panetsos and Visvanathan Ramesh},
journal= {arXiv preprint arXiv:1904.08486},
year = {2019}
}
备注
Accepted for publication at CVPR 2019. Version includes supplementary material