用于探地雷达实测道路异常解译数据的小样本增强方法

摘要

在道路异常检测中，为获取类别多样且特征复杂的地下异常信息，探地雷达GPR(Ground Penetrating Radar)会生成大量图像数据。但目前这些数据的解译高度依赖人工操作，导致解译效率严重低下。研究发现，将广泛应用于目标识别的深度学习（DL）方法推广到GPR实测数据解译，可有效克服传统人工方式的缺陷。然而，DL方法需要大量成功解译的数据作为训练集，但由于保密需要、信息孤岛等各类现实问题，严重制约着GPR解译数据的收集。针对因缺少GPR解译数据而影响DL模型训练的问题，笔者提出一种面向小样本的自监督条件生成对抗网络SS-CGAN(Self-Supervised Condition Generative Adversarial Networks)方法，用于生成GPR道路异常解译数据以扩充解译数据集，形成DL模型的训练集。实验结果表明，笔者提出的SS-CGAN小样本增强方法所生成的数据与GPR实测数据特征的一致性较好，且将生成的数据补充到基于DL的Faster RCNN模型的训练集后，使得训练完成的模型对GPR实测数据的平均召回率提升了6.87%，平均准确率提升了11.56%。

关键词

探地雷达 / 道路 / 数据增强 / 生成对抗网络 / 小样本