基于ResNet-18和集成学习方法的坑洼道路检测与识别  

作　　者：李奇 冯瑜[1] 

机构地区：[1]沈阳理工大学理学院,辽宁沈阳110000

出　　处：《内蒙古科技与经济》2024年第16期108-112,共5页Inner Mongolia Science Technology & Economy

基　　金：辽宁省教育厅研究生教改项目(LNYJG2022103)。

摘　　要：随着图像处理技术的不断进步,特别是深度学习在这一领域的广泛运用,图像识别技术已实现了显著的发展。文章探讨了如何利用深度学习和集成学习方法对坑洼道路进行检测和识别。通过ResNet-18模型进行图像特征提取,最终输出512个特征。应用主成分分析(PCA)进行降维,设置方差总解释率为80%,从而得到58个关键特征。采用三种集成学习方法(GBDT、AdaBoost和随机森林)进行分类识别。通过特征重要性、测试集上的性能和学习曲线分析得出:AdaBoost和随机森林对坑洼道路检测任务更为适合,特别是在数据量有限的情况下,随机森林表现出了较强的性能,而AdaBoost在数据量增加时能够显著提升性能。

关 键 词：ResNet-18 集成学习 坑洼识别 道路检测 

分 类 号：U418[交通运输工程—道路与铁道工程] TP317.4[自动化与计算机技术—计算机软件与理论]