Few-Shot Learning Augmented with Image Transformation for Multiclass Structural Damage Classification
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
The application of machine learning (ML) as an apparatus for structural health monitoring (SHM) has become increasingly prevalent recently as the domain moves toward autonomous structural inspections. Although significant work has been conducted to integrate ML in SHM, many domain-specific issues adopting these technologies are still prevalent. For instance, ML is characterized as a data-intensive technique, requiring a significant number of samples to properly train a new model which are often unavailable in SHM applications. Furthermore, the generalization of these models to new categories of damages and structural and material types results in inferior damage classification. Therefore, to address the scarcity of data within SHM, few-shot learning (FSL) models, such as prototypical networks, have been recently explored as they are capable of training accurate classification models with limited images. However, the use of limited data results in model overfitting and may not adapt well to novel classes of data originating from new material and structural sources. In this paper, the effect of several image transformation techniques on the performance of a prototypical network is investigated concerning surface-level damages for concrete and asphalt structures. The effects of intramaterial data sets (data sets derived from the same material type), and intermaterial data sets (data sets derived from different material types) are investigated to understand and quantify the domain adaptation of these models. It was demonstrated that for k>2, histogram equalization, logarithmic transform, and power transform performed marginally better (1%–5% for both material scenarios) than standard grayscale images when training the chosen prototypical network. The use of phase stretch transform and histogram equalization provided a better reduction to overfitting for both material scenarios (1%–5% and 1%–3%, respectively) when compared to grayscale, further demonstrating the effectiveness of image transformation techniques for reducing the overfitting problem of FSL models.
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 | 0,000 |
| 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