自动识别路面纹理,使用轻量级的几次射击学习
概括
本研究介绍了一种用于路面纹理识别的几次拍摄学习模型,克服了数据稀缺性. 语网络模型实现了高精度,为道路维护专业人员提供了高效的解决方案.
科学领域:
- 土木工程 土木工程是指土木工程.
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 路面结构显著影响道路性能和安全.
- 准确的路面纹理识别对于有效的道路维护和危险检测至关重要.
- 在路面纹理分析中,有限的数据集对传统的深度学习模型构成了挑战.
研究的目的:
- 使用有限的数据开发一款用于路面纹理识别的几次拍摄学习模型.
- 为了解决路面纹理分类中的数据稀缺问题.
- 为了创建适合工程实践的轻量级模型.
主要方法:
- 提出了一个基于语网络的几次学习模型.
- 实施全球平均聚合 (GAP) 和一维卷积以优化模型.
- 进行比较实验,以评估模型性能,存储和训练时间.
主要成果:
- 在四向五拍路面纹理分类任务中获得了89.8%的准确性.
- 轻量级模型显著减少了存储容量 (高达94%) 和训练时间 (高达99%).
- 使用GAP的模型实现了最高的准确性 (93.5%),同时减少了83%的存储和6%的培训时间.
结论:
- 短暂的学习有效地解决了路面纹理识别中的数据稀缺问题.
- 优化的轻量级模型为现实世界的工程应用提供了实际的解决方案.
- 拟议的基于罗网络的方法提高了路面安全性和维护效率.


