Sewer Pipe Defects Classification Based on Deep Convolutional Network with Information-Extreme Error-Correction Decision Rules

Москаленко, В`ячеслав Васильович; Zaretskyi, Mykola; Moskalenko, Alona; Lysyuk, Viktor

doi:10.1007/978-3-030-61656-4_16

Cited by 2 publications

(4 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Такий підхід забезпечує ефективну регуляризацію та високу узагальнюючу здатність завдяки реалізації принципу інформаційного пляшкового горла (information bottleneck). Для зменшення впливу початкової ініціалізації вагових коефіцієнтів і зниження впливу незбалансованості даних у працях [12] запропоновано багатофазний метод машинного навчання робастної моделі, де навчання з триплетною функцією втрат слугує для ініціалізації моделі перед подальшим навчанням з мітками, що коректують помилки. Однак в цих працях не було розглянуто ефективне використання нерозмічених навчальних зразків для початкової ініціалізації вагових коефіцієнтів нейромережі.…”

Section: вступunclassified

“…Як інформаційний критерій оптимізації пропонується використати модифікацію ентропійної міри Шеннона, що виражена у вигляді функціоналу від точністних характеристик рішень [12]. Оскільки оптимізація контейнерів відбувається окремо для кожного класу, то застосуємо формулу обчислення інформаційного критерію для дихотомічної задачі класифікації у такому вигляді [12] :…”

Section:       unclassified

“…6 показано графік зміни значення метрики F1 (2) на тестовій вибірці (F1_val) під час навчання класифікатора дефектів за традиційним методом без попереднього самонавчання (F1_val_baseline) та з попереднім контрастним самонавчанням (F1_val_-baseline_pre). Крім цього на графіку показано зміни метрики F1 (1) на тестовій вибірці під час IV етапу навчання з крос-ентропійною функцією втрат(12) для моделей, що були попередньо навчені під час самонавчання та з учителем за модифікованою трита контрастно-центрованою функцією втрат (7) (F1_val_cen_pretrained).…”

unclassified

See 2 more Smart Citations

Багатоетапний Метод Глибинного Навчання З Попереднім Самонавчанням Для Класифікаційного Аналізу Дефектів Стічних Труб

Москаленко¹,

Зарецький²,

Moskalenko³

et al. 2021

reks

Self Cite

View full text Add to dashboard Cite

A machine learningsemi-supervised method was developed for the classification analysis of defects on the surface of the sewer pipe based on CCTV video inspection images. The aim of the research is the process of defect detection on the surface of sewage pipes. The subject of the research is a machine learning method for the classification analysis of sewage pipe defects on video inspection images under conditions of a limited and unbalanced set of labeled training data. A five-stage algorithm for classifier training is proposed. In the first stage, contrast training occurs using the instance-prototype contrast loss function, where the normalized Euclidean distance is used to measure the similarity of the encoded samples. The second step considers two variants of regularized loss functions – a triplet NCA function and a contrast-center loss function. The regularizing component in the second stage of training is used to penalize the rounding error of the output feature vector to a discrete form and ensures that the principle of information bottlenecking is implemented. The next step is to calculate the binary code of each class to implement error-correcting codes, but considering the structure of the classes and the relationships between their features. The resulting prototype vector of each class is used as a label of image for training using the cross-entropy loss function. The last stage of training conducts an optimization of the parameters of the decision rules using the information criterion to consider the variance of the class distribution in Hamming binary space. A micro-averaged metric F1, which is calculated on test data, is used to compare learning outcomes at different stages and within different approaches. The results obtained on the Sewer-ML open dataset confirm the suitability of the training method for practical use, with an F1 metric value of 0.977. The proposed method provides a 9 % increase in the value of the micro-averaged F1 metric compared to the results obtained using the traditional method.

show abstract

Section: вступunclassified

Section:       unclassified

unclassified

See 1 more Smart Citation

Багатоетапний Метод Глибинного Навчання З Попереднім Самонавчанням Для Класифікаційного Аналізу Дефектів Стічних Труб

Москаленко¹,

Зарецький²,

Moskalenko³

et al. 2021

reks

Self Cite

View full text Add to dashboard Cite

show abstract

“…Deep learning-based computer vision techniques have been applied to perform tasks based on images, such as land cover classification [13], pipe defect classification [14], and facial image characteristics, such as predicting gender and age [15,16], and for detecting malnutrition [17] and children's malnutrition [9]. Generally, a child's face indicated by malnutrition can be seen from the cheeks that appear sunken, puffy and glazed eyes, dry, noisy, or wrinkled skin, and the face looks older than its age [18].…”

Section: Introduction 1motivation For Research and The State Of The Artmentioning

confidence: 99%

Classification of stunted and normal children using novel facial image database and convolutional neural network

Yunidar,

Roslidar,

Oktiana

et al. 2024

reks

View full text Add to dashboard Cite

Malnutrition is a crucial problem that affects children’s development. Data released by UNICEF in 2022 shows that more than 7 million children under the age of 5 are still experiencing acute malnutrition in Ethiopia, Kenya, and Somalia. Meanwhile, in 2020, Indonesia ranked fifth and fourth highest in the world for wasting and stunting rates. The traditional approach to detect children’s nutritional status is by measuring the ratio between body weight and height at a certain age. The approach can be improved by simultaneously using facial biometrics, which can be accomplished automatically by employing facial recognition/classification based on computer vision and artificial intelligence methods. The goal of this research was to employ convolutional neural networks (CNN) as a method in the artificial intelligence field to classify children with malnutrition based on their face images. The method: a computer simulation of two CNN architectures applied to children’s facial image database. The simulation results were then evaluated to obtain the performance of the CNNs. The first task accomplished was to build a database of facial images of Indonesian children aged 2–5 years. The database comprises 4000 frontal facial images built from capturing images from 100 children, 50 normal/healthy, and 50 stunted children. In the database, some images were augmented using zoom-in, rotation, and shifting procedures. Using the database, we performed the second task by training two CNN architectures, AlexNet and ResNet34, to classify the images into normal children and children with malnutrition problems. We trained both architectures with 80% of the images and then validated and tested them with 10% of the images. Both architectures were learned with epochs: 20, 40, 60, 80, and 100, with a learning rate of 10-3. The models’ performances were shown in training, validation, and testing loss graphs and measured in accuracy, recall, precision, and F1 score. In conclusion, both architectures have shown promising results in classifying the images. Both architectures learned with epoch 60 rate 10-3 yielded the best models, with an accuracy of 0.9975 for AlexNet and 1 for ResNet34.

show abstract

Sewer Pipe Defects Classification Based on Deep Convolutional Network with Information-Extreme Error-Correction Decision Rules

Cited by 2 publications

References 10 publications

Багатоетапний Метод Глибинного Навчання З Попереднім Самонавчанням Для Класифікаційного Аналізу Дефектів Стічних Труб

Багатоетапний Метод Глибинного Навчання З Попереднім Самонавчанням Для Класифікаційного Аналізу Дефектів Стічних Труб

Classification of stunted and normal children using novel facial image database and convolutional neural network

Contact Info

Product

Resources

About