RoadScan:一种新颖且鲁棒的面向道路坑洞自主检测的迁移学习框架
计算机视觉与模式识别
2023-10-17 v2
摘要
本研究论文提出了一种使用深度学习和图像处理技术的坑洞检测新方法。所提出的系统利用 VGG16 模型进行特征提取,并采用带有三元组损失的自定义孪生网络,称为 RoadScan。该系统旨在解决道路上坑洞这一对道路使用者构成重大风险的关键问题。道路上的坑洞已导致众多事故。尽管完全消除坑洞是必要的,但这是一个耗时的过程。因此,普通道路使用者应能从安全距离检测坑洞以避免损伤。现有的坑洞检测方法严重依赖目标检测算法,由于道路与坑洞在结构和纹理上的相似性,这些算法失败概率较高。此外,这些系统利用数百万参数,使得模型难以在面向普通市民的小规模应用中使用。通过分析多样的图像处理方法和高性能网络,所提模型在准确检测坑洞方面取得了卓越性能。准确率、EER、精确率、召回率和 AUROC 等评估指标验证了系统的有效性。此外,所提模型通过利用更少的参数和数据进行训练,展示了计算效率和成本效益。该研究凸显了技术在交通领域的重要性及其提升道路安全和便利性的潜力。本模型提出的网络取得了 96.12% 准确率、3.89% EER 和 0.988 AUROC 值,与 other state-of-the-art 工作相比极具竞争力。
引用
@article{arxiv.2308.03467,
title = {RoadScan: A Novel and Robust Transfer Learning Framework for Autonomous Pothole Detection in Roads},
author = {Guruprasad Parasnis and Anmol Chokshi and Vansh Jain and Kailas Devadkar},
journal= {arXiv preprint arXiv:2308.03467},
year = {2023}
}
备注
6 pages, 5 figures, Accepted at the IEEE 7th Conference on Communication and Information Technology 2023