Mi az a Domain Adaptáció a Kereszt-Felületű Ellenőrző Modellekhez?

Gyakran Ismételt Kérdések

Mi a domain adaptáció a gépi tanulásban?

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.

Hogyan befolyásolja a domain eltolódás a burkolati repedésdetektáló modelleket?

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.

Mi a különbség a transzfer tanulás és a domain adaptáció között?

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.

Mik azok a domain-invariáns jellemzők?

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.

Hogyan működik a felügyelet nélküli domain adaptáció?

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.

Milyen kihívások merülnek fel az útról kifutópályára történő ellenőrzés adaptációja során?

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.

Mi az a Domain-Adverzariális Neurális Hálózat (DANN)?

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.

Hogyan használja a TarmacView a domain adaptációt?

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.

Mi az a Maximális Átlagos Eltérés (MMD)?

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.

Milyen ICAO szabványok kapcsolódnak a domain adaptációhoz a kifutópálya-ellenőrzésben?

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.