基于多数据源与域泛化学习的道路表面缺陷分类方法
计算机视觉与模式识别
2024-07-16 v1
摘要
道路是交通的重要方式，维护道路对于经济增长和市民福祉至关重要。随着人工智能的不断发展，基于摄像图像的道路表面检查最近广受关注，并且可以实现自动化。然而，由于几乎所有用于检测道路表面缺陷的深度学习方法都针对特定数据集进行优化，因此难以应用于新的、先验未见的数据集。此外，针对多数据源训练高效模型的研究仍不足。本文提出一种基于摄像图像的道路表面缺陷分类方法。我们提出了一种处理多数据源不变性的方案，以在多数据源上训练模型。进一步，我们提出了一种域泛化训练算法，用于开发可在无需模型更新的情况下适用于全新完全未见数据源的通用模型。我们使用与六个国家对应的 RDD2022 数据集进行实验验证。结果表明，我们的方法能够有效地对先前未见数据上的道路表面缺陷进行分类。
引用
@article{arxiv.2407.10197,
title = {Multiple data sources and domain generalization learning method for road surface defect classification},
author = {Linh Trinh and Ali Anwar and Siegfried Mercelis},
journal= {arXiv preprint arXiv:2407.10197},
year = {2024}
}
备注
6 pages