+++ title = “Domain Adaptáció” description = “A domain adaptáció olyan gépi tanulási modelleket adaptál, amelyeket egy forrásdoménen — például adott burkolattípusokon, megvilágítási körülményeken vagy adathalmazokon — tanítottak, hogy megbízhatóan működjenek különböző cél doméneken teljes újratanítás nélkül. Kritikus fontosságú az infrastruktúra-ellenőrzésben, amikor közúti burkolatokról repülőtéri kifutópályákra, vagy naposról borult időjárási körülményekre váltunk.” keywords = [ “domain adaptáció”, “domain eltolódás”, “forrás domén”, “cél domén”, “domain szakadék”, “felügyelet nélküli domain adaptáció”, “transzfer tanulási adaptáció”, “kereszt-domain”, “burkolati domén”, “domain-invariáns jellemzők”, “domain adaptáció finomhangolt”, “repedésdetektálási domain eltolódás”, “adverzariális domain adaptáció”, “domain generalizáció” ] shortDescription = “A domain adaptáció egy transzfer tanulási technika, amely az ellenőrző modelleket adaptálja, hogy azok egy felülettípuson, megvilágítási körülményen vagy kameraszerelésen tanulva is pontosan működjenek különböző cél doméneken, teljes újratanítás nélkül.” tags = [ “Technológia”, “Gépi Tanulás”, “Mély Tanulás”, “Tréning” ] glossaryTitle = “Mi az a Domain Adaptáció a Kereszt-Felületű Ellenőrző Modellekhez?” glossaryDescription = “A domain adaptáció egy gépi tanulási technika, amely áthidalja a statisztikai szakadékot egy forrásdomén (ahol címkézett tanítási adatok állnak rendelkezésre) és egy cél domén (ahol a modellt telepíteni kell) között. Infrastruktúra-ellenőrzés esetén ez azt jelenti, hogy az aszfalt utakra betanított repedésdetektorokat adaptálunk beton kifutópályákra, vagy naposról borult időjárási körülményekre, anélkül hogy több ezer új képet kellene gyűjteni és felcímkézni minden egyes célkörnyezetből.” showCTA = true ctaHeading = “Telepítsen Modelleket Bármilyen Felületre” ctaDescription = “A TarmacView domain adaptációs és finomhangoló csővezetéke lehetővé teszi, hogy ellenőrző modelljei általánosítsanak kifutópályák, utak, hidak és gurulóutak között — akár 80%-kal csökkentve a címkézési költségeket, miközben megőrzi a detektálási pontosságot.” ctaPrimaryText = “Kapcsolatfelvétel” ctaPrimaryURL = “/contact/” ctaSecondaryText = “Bemutató ütemezése” ctaSecondaryURL = “/demo/”

[[faq]] question = “Mi a domain adaptáció a gépi tanulásban?” answer = “A domain adaptáció a transzfer tanulás egy részterülete, amely a domain eltolódás problémájával foglalkozik — ahol a forrás adathalmazon tanított modell gyengén teljesít, ha egy eltérő statisztikai tulajdonságokkal rendelkező cél adathalmazon helyezik üzembe. A cél az, hogy domain-invariáns jellemzőábrázolásokat tanuljunk, így a modell általánosít a domének között anélkül, hogy teljes újratanításra lenne szükség címkézett céladatokon. A domain adaptáció kategóriái: felügyelt (korlátozott mennyiségű címkézett céladat áll rendelkezésre), felügyelet nélküli (nincs címkézett céladat) és félig felügyelt (némi címkézett plusz címkézetlen céladat) változatok.”

[[faq]] question = “Hogyan befolyásolja a domain eltolódás a burkolati repedésdetektáló modelleket?” answer = “A domain eltolódás a burkolati repedésdetektálásban 30–45%-os teljesítménycsökkenést okoz az átlagos unió feletti metszetben (mIoU), amikor egyik adathalmazról a másikra váltunk. Az eltolódás forrásai közé tartoznak a felületi anyagkülönbségek (aszfalt vs beton), a repedésmorfológiai változatosság (hosszanti vs hálózatos repedés), a képalkotási körülmények változása (megvilágítási szög, felbontás, kameraérzékelő) és a földrajzi tényezők (eltérő adalékanyag-típusok és öregedési mintázatok). Például a CQU-BPDD adathalmazon tanított modell 0,72 mIoU-t ér el a forrás tesztadatain, de 0,31-re csökken, ha RDD2020 céladatokon tesztelik adaptáció nélkül.”

[[faq]] question = “Mi a különbség a transzfer tanulás és a domain adaptáció között?” answer = “A transzfer tanulás egy feladatra előtanított modellt adaptál egy másik feladat elvégzésére — például egy ImageNet osztályozási modell finomhangolása repedésdetektálásra. A domain adaptáció ugyanazt a feladatot kezeli különböző adateloszlások esetén — például egy aszfalt repedésdetektor adaptálása betonfelületeken történő repedésdetektálásra. Transzfer tanulásnál a forrás- és célfeladatok eltérőek lehetnek; domain adaptációnál a feladat azonos, de a bemeneti eloszlások különböznek.”

[[faq]] question = “Mik azok a domain-invariáns jellemzők?” answer = “A domain-invariáns jellemzők olyan reprezentációk, amelyeket egy neurális hálózat nyer ki, és amelyek statisztikai eloszlása azonos függetlenül attól, hogy a bemenet melyik doménből származik. Ha egy repedésdetektáló hálózat olyan jellemzőket tanul, amelyek ugyanúgy néznek ki, akár aszfaltút, akár beton kifutópálya képéről van szó, akkor ezek a jellemzők domain-invariánsak. Ezeket adverzariális tanítással (egy domain diszkriminátor nem tudja megmondani, hogy melyik doménből származnak a jellemzők), statisztikai momentumillesztéssel (MMD, CORAL) vagy optimális transzport technikákkal tanulják. Az alapvető kihívás az invariancia-disszkriminabilitás kompromisszuma: ha a jellemzőket túlságosan domain-invariánssá tesszük, elveszíthetjük a feladat szempontjából releváns információkat, például a repedés textúráját, amely korrelál a felület típusával.”

[[faq]] question = “Hogyan működik a felügyelet nélküli domain adaptáció?” answer = “A felügyelet nélküli domain adaptáció (UDA) címkézett forrásadatokat és címkézetlen céladatokat használ egy olyan modell tanításához, amely általánosít a cél doménre. A három fő megközelítés: (1) adverzariális módszerek, mint a DANN, ahol egy domain diszkriminátor megpróbálja azonosítani, hogy a jellemzők melyik doménből származnak, miközben a jellemzőkinyerő megpróbálja becsapni azt; (2) eltérés-alapú módszerek, mint a DeepCORAL és a DAN, amelyek statisztikai távolságmértékeket (MMD, kovariancia különbség) minimalizálnak a forrás- és céljellemző-eloszlások között; és (3) rekonstrukció-alapú módszerek, amelyek autoenkódereket vagy GAN-okat használnak a megosztott reprezentációk tanulásához.”

[[faq]] question = “Milyen kihívások merülnek fel az útról kifutópályára történő ellenőrzés adaptációja során?” answer = “Az út-kifutópálya domain adaptáció alapvető különbségekkel szembesül a felületi anyag (aszfalt vs nagyszilárdságú PCC beton), a terhelési jellemzők (10 tonnás járműtengelyek vs 50–400 tonnás repülőgép-terhelések), a hibafajták (gumi lerakódások, sugárhajtású gép eróziója, üzemanyag-kiömlés által okozott károk kifutópályákon), az ellenőrzési hozzáférés (nyilvános utak vs korlátozott légoldali terület), a képfelvételi módszerek (felszíni járművek vs UAV 30–100 m magasságból) és a szabályozási megfelelés (ICAO Annex 14 szabványok) terén. A gumi lerakódások interferenciája különösen nagy kihívást jelent — a gumiabroncsok gumija sötét foltokként halmozódik fel a kifutópályákon, amelyek utánozhatják vagy elfedhetik a repedéseket, olyan állapot, amellyel az útmodellek soha nem találkoznak.”

[[faq]] question = “Mi az a Domain-Adverzariális Neurális Hálózat (DANN)?” answer = “A Domain-Adverzariális Neurális Hálózatot (DANN) Ganin és Lempitsky vezette be 2015-ben, és ez az adverzariális domain adaptáció kanonikus architektúrája. Három összetevőből áll: egy jellemzőkinyerőből, amely a bemeneteket egy megosztott jellemzőtérbe képezi le; egy címke-előrejelzőből, amely a feladatot végzi (pl. repedésosztályozás); és egy domain osztályozóból, amely megjósolja, hogy a bemenet melyik doménhez tartozik. A jellemzőkinyerő és a domain osztályozó között egy Gradiens Fordítási Réteg (GRL) helyezkedik el — a visszaterjesztés során megfordítja a gradiens előjelét, aminek hatására a jellemzőkinyerő olyan jellemzőket tanul, amelyek maximalizálják a domain összetéveszthetőséget. A teljes veszteség a forráscímkék feladatveszteségét és a domain osztályozási veszteséget kombinálja, egy lambda hiperparaméterrel súlyozva.”

[[faq]] question = “Hogyan használja a TarmacView a domain adaptációt?” answer = “A TarmacView a finomhangoló csővezetékén keresztül valósítja meg a domain adaptációt, amely több adaptációs stratégiát támogat: teljes finomhangolás, ha mérsékelt mennyiségű céladat áll rendelkezésre; utolsó réteg hangolása nagyon korlátozott céladatok esetén; és felügyelet nélküli adaptáció jellemzőillesztéssel, ha nincsenek célcímkék. A platform támogatja a domain-adaptációval finomhangolt változatokat, amelyek kombinálják a forrás előtanítást a cél-specifikus beállítással Batch Normalization adaptáció, progresszív feloldás és a cél domén képalkotási körülményeihez igazított adatbővítés segítségével. Ez lehetővé teszi a telepítést repülőtereken, utakon, hidakon és gurulóutakon anélkül, hogy repülőtérenként kellene újratanítani a modellt.”

[[faq]] question = “Mi az a Maximális Átlagos Eltérés (MMD)?” answer = “A Maximális Átlagos Eltérés (MMD) egy kernel-alapú statisztikai teszt, amelyet két valószínűségi eloszlás közötti távolság mérésére használnak egy Reprodukáló Kernel Hilbert-térben (RKHS). Domain adaptációban az MMD-t veszteségfüggvényként használják a forrás- és céljellemző-reprezentációk közötti eloszlási szakadék minimalizálására. Az MMD képlet a forrás- és céljellemzők átlagos beágyazásai közötti különbség normáját számítja ki az RKHS-ben. A Deep Adaptation Networks (DAN) és a Joint Adaptation Networks (JAN) MMD veszteséget építenek be több hálózati rétegben a többszintű domain illesztés elérése érdekében.”

[[faq]] question = “Milyen ICAO szabványok kapcsolódnak a domain adaptációhoz a kifutópálya-ellenőrzésben?” answer = “Az ICAO Annex 14 szabványokat határoz meg a repülőterek kialakítására és üzemeltetésére, amelyek természetes domain adaptációs követelményt teremtenek — a különböző repülőterek eltérő burkolati anyagokkal, éghajlattal és karbantartási előzményekkel rendelkeznek, így az ellenőrző modelleknek alkalmazkodniuk kell a repülőterek között. A Globális Jelentési Formátum (GRF) meghatározza a kifutópálya felületi állapotkategóriáit (száraz, nedves, csúszós nedves, szennyezett), amelyek különálló vizuális doméneket képviselnek. Az ICAO Doc 9137 Part 9 és az FAA AC 150/5380-6C karbantartási útmutatást nyújtanak. Amikor AI-alapú ellenőrzést telepítenek repülőterek között, a domain adaptáció elengedhetetlen, mert egy repülőtér adatain tanított modell eltérő megvilágítással, burkolatkorral és hibamorfológiával találkozik egy másik repülőtéren.”

[[lnks]] text = “Gépi Tanulás” path = “/glossary/machine-learning/” title = “A gépi tanulás az alapvető technológia az automatizált burkolatellenőrzéshez, olyan algoritmusokat használva, amelyek tapasztalat révén fejlődnek, hogy repedéseket, kipattogzásokat és egyéb felületi hibákat észleljenek a képeken.”

[[lnks]] text = “Mély Tanulás” path = “/glossary/deep-learning/” title = “A mély tanulás többrétegű neurális hálózatokat használ a burkolati képek hierarchikus jellemzőinek automatikus tanulására, lehetővé téve a pixelszintű repedésdetektálást kézi jellemzőkinyerés nélkül.”

[[lnks]] text = “Tréning” path = “/glossary/training/” title = “A tréning a neurális hálózati paraméterek optimalizálásának folyamata címkézett burkolati hibadatkészletek segítségével, amely az alapot képezi, mielőtt a domain adaptációt alkalmazzák a kereszt-felületű telepítéshez.”

[[lnks]] text = “Adatbővítés” path = “/glossary/data-augmentation/” title = “Az adatbővítés szintetikus tanítási változatokat generál geometriai és fotometriai transzformációkkal, kiegészítve a domain adaptációt a forrás domén lefedettségének bővítésével.”

[[lnks]] text = “Felügyelt Kontrasztív Tanulás” path = “/glossary/supervised-contrastive-learning/” title = “A felügyelt kontrasztív tanulás diszkriminatív jellemzőbeágyazásokat tanul azáltal, hogy az azonos osztályú mintákat összehúzza, a különböző osztályú mintákat pedig széttolja a beágyazási térben.”

[[lnks]] text = “Transzfer Tanulás” path = “/glossary/transfer-learning/” title = “A transzfer tanulás biztosítja azt a tágabb keretrendszert, amelyen belül a domain adaptáció működik, lehetővé téve a tudásátvitelt feladatok és domének között.”

[[lnks]] text = “Finomhangolás” path = “/glossary/fine-tuning/” title = “A finomhangolás az előtanított modelleket adaptálja új doménekre a céladatokon történő továbbtanítással, ami a legegyszerűbb és legszélesebb körben használt domain adaptációs stratégiát jelenti.”

[[lnks]] text = “Repedés” path = “/glossary/crack/” title = “A repedésdetektálás a domain adaptáció elsődleges alkalmazása az infrastruktúra-ellenőrzésben, megkövetelve a modellektől, hogy általánosítsanak különböző felületi anyagok és körülmények között.”

[[lnks]] text = “Hiba” path = “/glossary/defect/” title = “A hibadetektáló modelleket domain-adaptálni kell, hogy megőrizzék pontosságukat, amikor különböző burkolattípusokon, megvilágítási körülményeken és kamera-rendszereken telepítik őket.”