MicroCrackAttentionNeXt：通过特征可视化使用深度神经网络在波场分析中提高微裂缝检测
计算机视觉与模式识别
2024-11-18 v1 人工智能
新兴技术
机器学习
摘要
使用深度神经网络(DNN)通过自动化管线检测与受损区域相互作用的波场中的微裂缝，备受青睐。这些高维时空裂缝数据有限，且在时间域中具有很大维度。数据集呈现出显著的类别不平衡，裂缝像素仅占每个样本总像素的平均 5%。这种极端类别不平衡对深度学习模型构成挑战，因为网络可能偏向预测多数类，通常导致检测准确率不佳。本研究基于前一基准 SpAsE-Net，即用于微裂缝检测的非对称编码器-解码器网络。通过利用流形发现和分析(MDA)算法进行特征空间可视化，考察了各种激活函数和损失函数的影响。优化后的体系结构和训练方法实现了 86.85% 的准确率。
引用
@article{arxiv.2411.10015,
title = {MicroCrackAttentionNeXt: Advancing Microcrack Detection in Wave Field Analysis Using Deep Neural Networks through Feature Visualization},
author = {Fatahlla Moreh and Yusuf Hasan and Bilal Zahid Hussain and Mohammad Ammar and Sven Tomforde},
journal= {arXiv preprint arXiv:2411.10015},
year = {2024}
}