SCL-GCN: Stratified Contrastive Learning Graph Convolution Network for pavement crack detection from mobile LiDAR point clouds
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate pavement crack detection is important for routine maintenance of pavements and reduction of possible traffic accidents. Most existing rule- or learning-based point-level approaches cannot achieve high detection accuracy and efficiency owing to the disorderly arrangement, scattered intensities, diverse crack structures, large data volumes, and complex annotation of mobile laser scanning (MLS) point clouds. To address these issues, we developed SCL-GCN, a Stratified Contrastive Learning Graph Convolution Network with a novel dual-branch architecture for MLS-point cloud-based pavement crack detection. First, a multi-scale graph representation construction module was designed based on a stratification strategy. This module creates strengthened spaces for the raw pavement point cloud and its downsampled subset, from which adjacency matrices and initial representations are generated. The stratification strategy samples neighbors densely in the raw point clouds and sparsely in the downsampled subset to form the neighborhood for each point, utilizing long-range contexts to increase the effective receptive field while lowing the extra computation. Next, a graph feature contrastive learning module is proposed to take advantage of stratified features. This module supervises the learning process of the two branches to avoid learning bias caused by an imbalanced data distribution, promoting convergence and improving performance. The experimental results show that the developed SCL-GCN model outperforms state-of-the-art methods. With a training/testing ratio of only 1:6 and an overall training time of less than 70 min, the average precision, recall, and F1-score of the SCL-GCN reached 75.7%, 75.1%, and 75.2%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle