Loading... ## 基于deeplab-v3的缺陷检测系统 ### 背景及目标 该项目的背景是检测飞行器中的某一耐高温部件在不同时间程度的灼烧下的被腐蚀程度，而该检测系统的目标是通过机器学习方法去自动化的识别被腐蚀区域以及计算被腐蚀程度。 ### 实现要点 - 性能： - 采用两步检测：先用基于 DeepLab‑v3 的语义分割模型对腐蚀区域进行粗检测，再用多层卷积边缘检测器精修腐蚀/非腐蚀边界，最终使精度 (precision)与召回率 (recall) 均达到 ≥95%。 - 协作/交付： - 积极与甲方沟通并采集需求与数据，拆解任务并分配给实验室成员，组织协同开发与迭代模型，项目按期交付率100%。 ## [通过批量归一化的独立仿射变换实现语义分割域自适应]([https://](https://arxiv.org/abs/2110.07376)) ### Situation（情境） * 语义分割模型在源域（如合成数据）上训练效果好，但在目标域（如真实街景）上常因域差异而性能显著下降。 * 现有无监督领域自适应（UDA）方法通常关注特征对齐、对抗训练或像素级风格转换，但批量归一化（Batch Normalization, BN）中仿射参数的域特异性未被充分利用。 ### Task（任务） * 提出一种简单有效的方法，通过在 BN 中对源域和目标域使用独立的仿射变换（scale 和 shift）来缓解域差异，从而提高目标域的语义分割性能。 * 在保持模型结构轻量和训练流程简洁的前提下，与现有 UDA 方法进行互补。 ### Action（方法/措施） * 在 BN 层为源域和目标域分别维护独立的仿射参数（γ, β），但共享其他 BN 统计量。 * 训练阶段：使用源域有标签数据与目标域无标签数据共同训练，源域样本使用源域仿射参数、目标域样本使用目标域仿射参数；采用常规分割损失（cross entropy loss）和自监督目标（使用伪标签）。 * 推理阶段：针对目标域使用目标域对应的仿射参数进行预测。 ### Result（结果与结论） * 在主流合成到真实的语义分割自适应任务（如 GTA5→Cityscapes、SYNTHIA→Cityscapes）上，该方法显著提升了目标域 mIoU，与或优于一些复杂的 UDA 方法。 * 方法简单、计算开销小，可与其他领域自适应技术（如对抗训练、输入级风格转换）联合使用以进一步提升性能。 * 结论：通过在 BN 中分离仿射变换，模型能更好地适应目标域的风格/统计差异，是一种有效且易于实现的域自适应策略。 最后修改：2025 年 12 月 28 日 © 允许规范转载 赞 如果觉得我的文章对你有用，请随意赞赏
1 条评论
[...][...]