2023年MathorCup大数据赛道A：基于计算机视觉的坑洼道路检测和识别(相关文献)

提供相关国外论文文献参考

用于道路自动坑洼检测的新颖而强大的迁移学习框架

本研究论文提出了一种使用深度学习和图像处理技术进行坑洼检测的新方法。所提出的系统利用VGG16模型进行特征提取，并利用具有三重损失的自定义Siamese网络，称为RoadScan。该系统旨在解决道路上的坑洼这一关键问题，这对道路使用者构成重大风险。由于道路上的坑洼造成的事故导致了许多事故。虽然有必要完全消除坑洼，但这是一个耗时的过程。因此，一般道路使用者应该能够在安全距离内检测坑洼，以避免损坏。现有的坑洼检测方法严重依赖物体检测算法，由于道路和坑洼的结构和纹理相似，这些算法往往有很高的失败几率。此外，这些系统利用了数百万个参数，从而使该模型难以在普通公民的小规模应用中使用。通过分析不同的图像处理方法和各种高性能网络，该模型在准确检测坑洼方面取得了显著的性能。准确性、EER、精度、召回率和 AUROC 等评估指标验证了系统的有效性。此外，所提出的模型通过使用较少的参数和数据进行训练来展示计算效率和成本效益。该研究强调了技术在运输部门的重要性及其在提高道路安全和便利性方面的潜力。该模型中提出的网络具有96.12%的精度，3.89%的EER和0.988 AUROC值，与其他最先进的作品具有很强的竞争力。