基于遷移學習的松散礫石路面分類
前言：
礫石路連接配接着人口稀少的地區，為農業和林業産品提供了通道。在交通量較低的地方，也考慮使用礫石路，因為與鋪面路相比，礫石路更經濟。在瑞典，21%的公共道路是國家所有的礫石路，覆寫20 200多公裡。
74000公裡的礫石路和210，000公裡的林道歸私營部門所有以及其他人。瑞典道路管理局根據不規則性、灰塵、松散和礫石橫截面的嚴重程度對礫石路況進行評級。
礫石路的耐久性較低，需要定期維護。一些方法被用于使用環境友好的、成本有效的和可持續的解決方案來提高礫石道路的安全性。這些解決方案包括壓實良好的路面、形成堅硬抗水表面的表面封層以及精心計劃的養護活動。
一：材料與方法
1.1礫石道路的展現
這項研究的資料包括從兩個來源收集的礫石道路圖像，其中一個攝像頭固定在裡面的擋風玻璃上。另一個在車外的引擎蓋上，用一個雙夾子的強力吸盤來保持相機穩定，而不遮擋相機鏡頭。
雖然在谷歌地圖上穿越碎石路和從谷歌街景中提取圖像非常耗時，但谷歌街景可以用于許多圖像分析問題。
1.2如何處理資料
由于圖像資料集的大小有限，圖像沒有被分為四類。類别1&2和類别3&4非常相似；條件與等級1和2相同的道路圖像被合并為一類，命名為等級1和2。條件與3級和4級相當的道路也被合并為另一類，稱為3級和4級。
由于資料集中的圖像來自不同的來源，是以所有圖像的像素強度和尺寸并不相同，在應用每種增強技術後，建立一組新的圖像送出給CNN，進而在增強後将資料集增加三倍。資料被分成60%和40%的訓練集和測試集。
二：遷移學習
2.1重新訓練深度神經網絡
在實踐中，由于具有足夠大的資料集并不常見，是以通過随機初始化權重從零開始訓練整個卷積網絡是不常見的。在小資料集的情況下，已經表明遷移學習可能是有用的。
遷移學習是一種深度學習方法，它利用了從基于大資料訓練的預訓練網絡中轉移知識的思想。當資料集較小時，預訓練模型通常有助于更好地初始化和收斂。
預先訓練的網絡在包含1000個類别的120萬個圖像的網絡資料集上被訓練到具有相對較小的資料集的另一圖像分類任務，例如識别汽車所獲得的知識可以在另一個問題中檢測卡車。
2.2辨識學習
判别學習，也稱為循環學習，用于确定預訓練CNN模型的訓練層的最佳學習速率。學習率是一個控制模型學習速度的超參數。權重按學習率縮放，以最小化損失。較低的學習率可能是避免錯過最優解的好方法。同時，這也可能意味着需要更多的時間來收斂。
早期的圖層可以識别一般的細節，如直線、曲線等。這些初始層在大多數任務中是有幫助的。這些層以較低的學習速率訓練，以便模型有更多的時間在小細節上訓練。是以，後面的圖層更多地是針對特定任務的，而不是有用的，例如用于礫石路況分類。
2.3預先訓練的CNN
這項研究中，使用了ResNet的兩個變體，即ResNet18和ResNet50。ResNet50是具有50層的剩餘網絡，而ResNet18具有18層。它類似于VGG-16，除了Resnet50有一個補充的身份映射功能。
ResNet通過另一條捷徑減少了漸變消失的問題。這種跳過有效地簡化了網絡，在初始訓練階段使用較少的層，其中身份映射通過優化反向傳播路徑允許模型更快地收斂。身份映射有助于避免過度拟合。
Alexnet使用非飽和整流線性機關激活函數代替Tanh激活和sigmoid。顯示了訓練性能的提高。。Dropout用于減少完全連接配接層中的過拟合。這是一種以預定機率關閉神經元的技術。在每次疊代中，該模型使用不同的參數，使每個神經元具有可用于其他随機神經元的魯棒特征。
2.4評估名額
這項研究中，使用了幾個度量來評估分類器度量的性能，如準确性、F1分數、召回率和精确度。這些度量被廣泛用于測量分類器的性能。準确度被定義為正确分類的測試資料的百分比。
在具有不平衡資料的分類中，檢視其他名額，如精确度、召回率和F1分數，可以提供重要的見解。直覺上，具有更多示例的類将有更多機會被更好地分類，是以模型的整體性能可能會很好。
結論：
使用所提出的方法的自動化解決方案可以通過提供成本有效、高效且可靠的評估來減輕人類專家的負擔。它們可以取代需要複雜和昂貴裝置的傳統視覺檢測和自動化方法。研究成果為開發基于遷移學習的礫石路況評估方法提供了實用指南。
未來，将在具有更多訓練資料的預訓練網絡上執行實驗，以将圖像分為四類，正如專家所建議的那樣。可以添加具有不需要分類的無效圖像的附加類别，例如具有汽車的圖像等。
在這項研究中，對圖像進行了标記。為了更好地解釋CNN學習到的用于做出分類決策的重要特征，諸如梯度權重類别激活映射和引導傳播的算法将在未來的工作中使用。
