System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像分类领域,特别涉及一种跨域的路面病害分类方法。
技术介绍
1、当公路建成投入使用后,其表面承受持续的压力与负荷,往往会导致路面病害的出现。如果路面病害开始出现,由于持续物理碰撞,会进一步扩大为更严重的损坏。因此,尽早检测和分类可以帮助工人采取合适的材料和措施进行修复,从而降低道路维护成本。路面的缺陷越早修复,维修成本就越低。在过去的几年中,裂缝的检查通常由经验丰富的检查员手动进行。虽然裂缝信息可以通过人工视觉检查获得,但这种方法费时费力、成本高昂,并且常常不可靠,因为结果依赖于检查员的经验和技能。因此,对于专业人士和研究人员来说,开发更高效准确的路面病害分类方法已经成为一个日益关注的问题。
2、目前跨域分类问题存在两个不足。首先,从样本角度来看,先前的域适应方法忽视了源域样本的训练过程。然而,由于分类器是基于源域样本进行训练的,如果源域样本训练不足,分类器在目标域中的准确性也会受到限制。此外,源域样本是有标签的,标签信息应当被充分用于训练分类器。其次,路面病害分类问题与其他域适应挑战存在巨大差异,路面病害图像通常前景占比较小,而同一域不同类别的差异主要来自于前景而非背景,因此使得路面病害分类任务极具挑战性。传统的域适应问题通常将每个目标域样本与源域样本平等地对齐,但各个样本的训练水平不同。在对齐过程中平等地对待所有样本可能会对对齐过程产生负面影响,特别是对于那些未经充分训练的源域样本。此外,由于设备、天气、道路状况和光照的变化,不同数据集之间存在很大差异。因此,如果不考虑源域样本与目标域样本之间的相
技术实现思路
1、针对现有技术存在的上述问题,本专利技术要解决的技术问题是:本专利技术采用公开的路面病害数据集,基于跨域和路面病害分类问题,对分类过程以及特征对齐过程中不同样本采取不同的处理方式,从而提高路面病害分类的准确率。
2、为解决上述技术问题,本专利技术采用如下技术方案:一种跨域的路面病害分类方法,包括如下步骤:
3、s101:构建源域数据集s和目标域数据集t,获取若干现有路面病害图像构成源域数据集,采集若干待评估目标路面的图像构成目标域数据集;
4、s102:构建分类模型gwda-ue,gwda-ue包括生成器g,鉴别器d和分类器c;
5、s103:训练gwda-ue;
6、s103-1:初始化gwda-ue参数;
7、s103-2:源域数据集s中的图像经过生成器提取对应的源域特征,记fis和为源域数据集中第i个图像对应的源域特征和其对应的标签,i=1,2,3,…m,m表示源域数据集中图像的总数;目标域数据集t中的图像经过生成器提取对应的目标域特征,记为目标域数据集中第i'个图像对应的目标域特征,i'=1,2,3,…n,n表示目标域数据集中图像的总数;
8、s103-3:将fis输入分类器,并计算分类器损失lcls;
9、将fis和输入鉴别器,并计算鉴别器损失ladv;
10、s103-4:根据总损失l反向更新gwda-ue的参数,其中l=lcls+λladv,λ为超参;
11、s103-5:重复s103-2至s103-4直至l不再变化,则得到训练好的gwda-ue;
12、s104:从目标域数据集中随机选择一张图像输入训练好的gwda-ue,输出为待评估目标路面病害属于各个标签的概率,每个标签代表一种路面病害。
13、作为优选,所述s102中的生成器以se-resnet作为骨干网络,并去掉se-resnet的全连接层。
14、作为优选,所述s103-4中lcls的计算方法如下:
15、
16、
17、其中,pic代表被分类器分类为第c个类别的概率,c为的真实标签,lce表示交叉熵损失函数,r表示的权重,e表示期望值,α表示超参数。
18、作为优选,所述s103-4中ladv的计算方法如下:
19、
20、其中,pis代表分类器输出的第二高的概率值,θ为软阈值,u表示不确定性度量,pis表示分类器输出的第二高的概率值;
21、γ=|pi′-0.5|#(5)
22、
23、其中,γ表示阈值、ωhs表示的权重、pi′表示鉴别器输出的属于一类标签的概率、θ1,θ2均为超参数,th为阈值,ecur与emax分别代表当前训练轮数与总训练轮数。
24、相对于现有技术,本专利技术至少具有如下优点:
25、1.从特征对齐的角度入手,对不确定性较高的源域数据集中的图像在鉴别器损失中赋予较低权重,防止源域数据集中不确定性较高的这些图像对特征对齐过程产生负面影响。
26、2.从特征对齐的角度入手,对与源域数据集s中的图像不相似的目标域数据集中图像赋予逐渐降低的权重,对相似样本赋予逐渐增大的权重,以防止不相似样本主导特征对齐过程,使得特征对齐过程发生偏移。
27、3.从训练分类器的角度入手,通过分类器输出的与真实标签对应的概率值赋予权重,从而提高分类器对预测错误的样本的训练能力。
本文档来自技高网...【技术保护点】
1.一种跨域的路面病害分类方法,其特征在于:包括如下步骤:
2.如权利要求1所述的跨域的路面病害分类方法,其特征在于:所述S102中的生成器以Se-ResNet作为骨干网络,并去掉Se-ResNet的全连接层。
3.如权利要求1所述的跨域的路面病害分类方法,其特征在于:所述S103-4中Lcls的计算方法如下:
4.如权利要求1所述的跨域的路面病害分类方法,其特征在于:所述S103-4中Ladv的计算方法如下:
【技术特征摘要】
1.一种跨域的路面病害分类方法,其特征在于:包括如下步骤:
2.如权利要求1所述的跨域的路面病害分类方法,其特征在于:所述s102中的生成器以se-resnet作为骨干网络,并去掉se-resnet的全连接层。
【专利技术属性】
技术研发人员:葛永新,吴妍文,牛晨旭,刘慧君,谢挺,阮志敏,章一颖,洪明坚,黄晟,肖天昊,何利蓉,
申请(专利权)人:重庆大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。