用于预测解释的 MN 对对比损伤表示与聚类

对于基础设施巡检，损伤表示并不总是与预定义的损伤等级类别相匹配，从而导致未见损伤的详细聚类或两个等级之间重叠空间的更复杂聚类。损伤表示具有本质上复杂的特征；因此，并非所有的损伤类别都能被完美地预定义。所提出的 MN 对对比学习方法通过包含更详细的聚类，有助于探索超越预定义类别的嵌入损伤表示。它使用加权损失函数，同时最大化接近锚点的 M-1 个正样本图像的相似性以及 N-1 个负样本图像的相异性。它比使用单个正样本图像的 N-pair 算法学习更快。我们提出了一种获取损伤表示的流水线，并在二维降维空间上使用基于密度的聚类来自动化更精细的聚类判别。我们还使用 Grad-CAM 可视化了 MN 对损伤度量学习的损伤特征解释。我们在三个实验研究中展示了我们的方法：钢产品缺陷、混凝土裂缝，以及我们方法的有效性，并讨论了未来的工作。