内容感知的可解释性路面病害检测模型
Content-Aware Explainable Pavement Distress Detection Model作者机构:重庆大学大数据与软件学院重庆401331 重庆城市管理职业学院智能工程学院重庆401331 重庆大学计算机学院重庆400044 北京邮电大学人工智能学院北京100876
出 版 物:《计算机研究与发展》 (Journal of Computer Research and Development)
年 卷 期:2024年第61卷第3期
页 面:701-715页
核心收录:
学科分类:081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(62176031,61972046) 重庆市自然科学基金项目(CSTB2022NSCQ-MSX1405) 重庆市技术创新与应用发展专项项目(CSTB2022TIAD-KPX0100)
主 题:路面病害检测 可解释性 自适应感知 注意力机制 联合学习
摘 要:针对实际场景中高分辨路面图像难以直接作为现有卷积神经网络(convolutional neural network,CNN)的输入、现有预处理及下采样算法无法有效感知并保留原始路面图像中低占比的病害区域信息等问题,借助于可视化解释的技术手段,设计了一种即插即用的图像内容自适应感知模块(adaptive perception module,APM),既平衡了高分辨路面图像与CNN输入限制,又能够自适应感知激活前景病害区域,从而实现高分辨路面图像中病害类型的快速准确检测,构建可信路面病害视觉检测软件系统.APM利用大卷积核和下采样残差操作降低原始图像分辨率并获取图像浅层特征表示;通过注意力机制自适应感知并激活图像中路面病害区域信息,过滤无关的背景信息.利用联合学习的方式,无需额外监督信息完成对APM的训练.通过可视化解释方法辅助选择和设计APM的具体结构,在最新公开数据集CQUBPMDD上的实验结果表明:APM相比于现有的图像预处理采样算法均有明显提升,分类准确率最高为84.47%;在CQU-BPDD上的实验结果及APM决策效果可视化分析表明APM具备良好的泛化性与鲁棒性.实验代码已开源:https://***/Li-Ao-Git/apm.