Novel architecture based on dual‐view fusion for underground hidden distresses detection
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 detection of underground hidden distresses aims to locate the anomaly areas beneath the surface. This task faces significant challenges, including the scarcity of distress samples and the complex three-dimensional hidden structures of the distresses. Traditional approaches typically employ generative adversarial networks and manually designed object detectors to address these issues. Nonetheless, the current methods face challenges in maintaining semantic consistency between the generated samples and the real-world samples, and they can only detect anomalies based on features from a single image. To overcome these limitations, this paper proposes an innovative detection architecture that significantly enhances the performance of multi-object hidden distress detection by introducing a dual-view (horizontal and longitudinal) correlated generation model and a dual-stream detection mechanism. The approach offers a comprehensive subsurface analysis: The horizontal view captures large-scale anomalies, while the longitudinal view reveals vertical structural details, boosting multi-object distress detection. Specifically, a ground-penetrating radar image diffusion model (GPRDiff) is proposed to generate hidden distress images with dual-view correlation. Furthermore, this study designs a novel dual-view cross-information fusion transformer to achieve efficient fusion of dual-stream information. Experimental results demonstrate that using a combination of GPRDiff-generated images and real images as input, along with a joint-view guided dual-stream detector, significantly improves the detection accuracy of multi-object hidden distresses. This research not only fills the technical gap in multi-object generation within the field of 3D radar road detection but also provides new research insights and technical pathways for other detection industries.
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