基于无人机遥感的增量路面损伤分类:采用解析几何对准技术 王全强(Wang Quanziang) 李欣(Li Xin) 彭建军(Peng Jiangjun) 贾熙熙(Jia Xixi) 王仁深(Wang Renzhen)

《Remote Sensing》:Incremental Pavement Distress Classification in UAV-Based Remote Sensing via Analytic Geometric Alignment Quanziang Wang, Xin Li, Jiangjun Peng, Xixi Jia and Renzhen Wang

【字体: 大 中 小 】 时间:2026年04月13日 来源:Remote Sensing 4.1

编辑推荐:

   摘要 使用高分辨率无人机(UAV)图像进行自动路面损伤分类对于智能交通系统至关重要。然而,长期的无人机监测面临着不断变化的损伤类型和遥感背景纹理,这需要具备类增量学习(

  

摘要

使用高分辨率无人机(UAV)图像进行自动路面损伤分类对于智能交通系统至关重要。然而,长期的无人机监测面临着不断变化的损伤类型和遥感背景纹理,这需要具备类增量学习(CIL)能力。现有方法在稳定性和灵活性之间难以取得平衡,尤其是在典型的空中-地面协作系统中,本地边缘站的存储资源非常有限。这种数据稀缺性导致细粒度损伤类别之间的识别出现灾难性错误和混淆。为了解决这些问题,我们提出了一种名为“分析几何对齐”(Analytic Geometric Alignment,简称AGA)的数据高效方法。我们的框架主要由三个关键组件构成:首先,为了克服特征提取器与固定几何目标之间的优化差距,我们引入了“子空间感知分析初始化”(Subspace-Aware Analytic Initialization,简称SAI),它在每次任务训练之前计算出一个封闭形式的投影,以立即将特征子空间与ETF流形对齐;其次,在这种对齐的基础上,我们加入了“解耦几何适配器”(Decoupled Geometric Adapter,简称DGA),以促进对复杂空中纹理的连续非线性适应;最后,为了实现稳定的增量训练,我们设计了“基于记忆的回归”(Memory-Prioritized Regression,简称MPR)损失函数,对重放样本施加更严格的几何约束,从而显著提高了模型的稳定性。在UAV-PDD2023数据集上的广泛实验表明,AGA的性能显著优于现有最先进方法,展现了出色的鲁棒性和数据效率。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号