同济大学智能交通新兴计算与感知研究课题组，在JCR一区期刊Computer-Aided Civil and Infrastructure Engineering发表了由李亦舜、车蓬禹、刘成龙、吴荻非、杜豫川撰写的研究论文“Cross-scene pavementdistress detection by a novel transfer learning framework”。该研究成果主要介绍了一种将现有用于病害检测的深度学习模型快速部署应用在新场景下的迁移学习框架。深度学习在路面病害的自动检测方面取得了可喜的成果。但是，训练模型的有效性根据不同相机类型及其安装位置获取的数据和场景而有所不同。每次场景变化时，重新收集、标记数据并重新训练新模型耗时费力。在本文中，我们提出了一个迁移学习框架来解决这个问题，它使病害检测模型能够应用于其他未经训练的场景。该框架由两个主要组件组成：数据迁移和模型迁移。前者训练生成对抗网络将现有图像数据转换为新的场景风格。然后，基于注意力机制的CutMix和图像融合被应用于插入病害标注以合成新场景的标记数据。数据扩充后，后一步将现有模型提取的通用特征通过域自适应方法迁移到新场景的检测应用中。此外，本文还讨论了不同程度的特征迁移的影响。所提出的方法在来自两个不同场景的两个数据集上进行了评估，结果显示当模型应用于新场景时，这种方法可以减少至少25%的训练数据需求。在训练图像数量相同的情况下，所提出的方法可以将模型准确率提高26.55%。

论文链接：https://doi.org/10.1111/mice.12674