[發明專利]一種公路病害分類模型的跨場景遷移方法和裝置

在審

• 申請號: 202310200906.7
• 申請日: 2023-02-22
• 公開（公告）號: CN116204827A
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 韓海航;王鑫瀟;葛擁軍;王洋洋;于智;卜佳俊;嚴守靖
• 申請（專利權）人: 浙江省交通運輸科學研究院
• 主分類號: G06F18/241
• 分類號: G06F18/241;G06F18/214;G06N3/04;G06N3/096
• 代理公司: 常州智慧騰達專利代理事務所(普通合伙) 32328
• 代理人: 曹軍

本發明提供了一種公路病害分類模型的跨場景遷移方法,包括獲取SimCLR框架；基于SimCLR框架利用源域數據集訓練原始學生網絡特征提取器生成第一學生網絡特征提取器；凍結第一學生網絡特征提取器參數利用源域數據集訓練原始學生網絡分類器生成第一學生網絡分類器；利用源域數據集與目標域數據集訓練第一學生網絡特征提取器生成第二學生網絡特征提取器；利用目標域數據集有標簽數據訓練所述第一學生網絡分類器生成第二學生網絡分類器；合并所述第二學生網絡特征提取器與第二學生網絡分類器為遷移后的模型并對不同場景的公路進行病害分類。解決了現有技術無法在交通領域目標域數據較少且部分標注的情況下保持跨場景遷移后模型效果的問題。

技術領域

本發明涉及持續學習技術領域，具體涉及一種公路病害分類模型的跨場景遷移方法和裝置。

背景技術

在數據集充足的情況下，深度學習具有較好的檢測與分類公路表觀病害的能力。將訓練好的深度學習模型結合車載邊緣端設備，可以實時檢測并記錄公路表觀病害，方便相關工作人員后續對公路進行對應的維護工作。但由于不同公路的表觀狀況不同，而效果達標的深度學習模型依賴于大量高質量的公路病害數據與計算資源，且對標注人員的專業知識水平有一定的要求。目前在交通領域中，針對公路表觀病害的深度學習分類模型的跨場景遷移效果仍不盡如人意。

當前目標場景的數據數量較少，且由于人力與時間的關系，大部分都沒有經過人工標注。因此需要找到一種針對于交通領域的模型跨場景遷移方法，在目標場景數據少且部分標注的情況下將源場景模型遷移至目標場景仍能保持較好的效果。

上述問題是目前亟待解決的。

發明內容

本發明要克服現有技術的上述至少一個缺點，一方面，提供了一種公路病害分類模型的跨場景遷移方法,所述方法包括步驟：S110：獲取SimCLR框架；S120：基于SimCLR框架利用源域數據集訓練原始學生網絡特征提取器生成第一學生網絡特征提取器；S130：凍結第一學生網絡特征提取器參數利用源域數據集訓練原始學生網絡分類器生成第一學生網絡分類器；S140：利用源域數據集與目標域數據集訓練第一學生網絡特征提取器生成第二學生網絡特征提取器；S150：利用目標域數據集有標簽數據訓練所述第一學生網絡分類器生成第二學生網絡分類器；S160：合并所述第二學生網絡特征提取器與第二學生網絡分類器為遷移后的模型；S170：基于所述遷移后的模型對不同場景的公路進行病害分類。

可選的，所述步驟S120包括：S1201：以在ImageNet上預訓練的網絡生成學生網絡；S1202：將源域數據集經過不同的數據增強分別生成第一源域數據與第二源域數據；S1203：第一源域數據與第二源域數據經過原始學生網絡的特征提取器分別生成第一特征和第二特征，第一特征與第二特征經過原始學生網絡的分類器分別生成第一分類結果和第二分類結果；S1204：利用第一分類結果和第二分類結果計算損失函數L_FE；S1205：利用損失函數L_FE更新所述原始學生網絡特征提取器生成第一學生網絡特征提取器。

可選的，所述數據增強包括強數據增強和/或弱數據增強；所述強數據增強包括高斯模糊和隨機灰度變換中的一種或其組合；所述弱數據增強包括裁剪和水平翻轉中的一種或其組合。

可選的，所述步驟S130包括：S1301：凍結第一學生網絡特征提取器參數；S1302：將源域數據集輸入至凍結的第一學生網絡特征提取器中，經過凍結的第一學生網絡特征提取器與原始學生網絡分類器后生成第一預測結果；S1303：基于第一預測結果與源域數據標簽生成損失函數L_BCE-1；S1304：基于所述損失函數L_BCE-1更新原始學生網絡分類器生成第一學生網絡分類器。