SCL-GCN: Stratified Contrastive Learning Graph Convolution Network for pavement crack detection from mobile LiDAR point clouds
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».