.png){kind=icon}
返回
Image-Based Road Surface Condition Detection Using Transfer Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TITS.2025.3594255.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确预测道路表面状况，可以帮助相关机构有效管理大城市中的车辆运输，通过减少因恶劣天气导致的拥堵和事故风险。基于图像的分类方法，采用卷积神经网络（CNN）与迁移学习（TL）相结合的方式，能够为在不同天气、交通及图像记录条件下对道路表面进行分类提供实时、数据驱动且经济高效的解决方案。本文提出了一种基于ResNet50架构并利用TL的图像分类方法，能够高效利用深度神经网络中已有的知识，以促进快速模型适应，而无需大量数据集的收集。本研究以新加坡的挑战性热带条件作为用例，重点评估了所提方法在两种不同的视频/图像数据集上的性能，即固定高速公路摄像头和车载摄像头。将预训练模型与TL相结合的策略，与从零训练或微调相比，能够更快地持续收敛至更优结果。研究结果为交通管理当局在为交通摄像头的大数据整理选择可扩展架构和训练策略时提供了宝贵见解，同时考虑了实际部署中的计算限制。
Keyword:
Road analysis
artificial intelligence
transfer learning
weather analysis
intelligent transport system
查看更多机构