优化深度学习模型与集成的频谱聚焦变压器,用于路面应急识别和分类.
Wenlin Wu1, Fenghua Zhu2,3, Zheng Li4
1School of Rail Transportation, Shandong Jiaotong University, Jinan, 250357, China.
Scientific reports
|January 30, 2025
概括
本研究引入了一种新的频谱聚焦变压器 (SFT) 层,用于路面应急识别. SFT层增强了从复杂的道路图像中提取特征,在识别路面困境时实现了高精度.
科学领域:
- 土木工程 土木工程是指土木工程.
- 计算机视觉 计算机视觉
- 信号处理 信号处理
背景情况:
- 由于复杂的环境,小的应急比例,尺度变化和干扰特征,路面应急识别具有挑战性.
- 现有的方法难以从各种道路图像中有效地提取紧急特征.
研究的目的:
- 提出一种新的频谱聚焦变压器 (SFT) 层,以改进路面应急识别和分类.
- 通过处理信号频谱和专注于重要频率组件,提高捕获路面危险区域的能力.
主要方法:
- 开发了一种频谱聚焦变压器 (SFT) 层来分析图像数据的频域特征.
- 根据频率值分布微调不同的频率组件.
- 学习和加权的频率信息与频率域中的图像,以增强应急区域的捕获.
主要成果:
- 对路面铺路应急数据集的实验表明,通过热图分析,对应急区域的注意力得到了提高.
- 在路面应急识别中达到97.73%的高精度.
- 在准确性方面表现优于其他现有模型.
结论:
- 拟议的SFT层有效地解决了人行道应急识别方面的挑战.
- SFT层显著提高了模型识别和分类路面困境的能力.
- 这种方法为自动化路面检查和维护提供了一个有前途的解决方案.


