Active Learning for Imbalanced Civil Infrastructure Data

要約

老朽化した土木インフラは、損傷や重大な欠陥がないかエンジニアによって綿密に監視されています。
このような大規模な構造物の手動検査はコストと時間がかかるため、保守活動の優先順位付けをサポートするために目視検査を完全に自動化することに取り組んでいます。
そのために、ドローン技術とディープラーニングの最近の進歩を組み合わせています。
残念ながら、高度な訓練を受けたエンジニアが独自の土木工学データセットに注釈を付ける必要があるため、注釈のコストは非常に高くなります。
したがって、アクティブ ラーニングは、モデルのパフォーマンスとアノテーション コストのトレードオフを最適化するための貴重なツールです。
データセットはクラスの不均衡が大きく、他のアクティブラーニング研究よりもはるかに大きなラベル付きデータプールで構成されているため、ユースケースは従来のアクティブラーニング設定とは異なります。
従来の能動学習取得関数を補助バイナリ弁別器に置き換えることにより、この困難な設定で動作できる新しい方法を提示します。
私たちの新しい方法は、CIFAR-10 と独自のデータセットでそれぞれ 5% と 38% の精度で、最高のパフォーマンスを発揮する従来のアクティブ ラーニング法 (BALD) よりも優れていることを実験的に示しています。

要約(オリジナル)

Aging civil infrastructures are closely monitored by engineers for damage and critical defects. As the manual inspection of such large structures is costly and time-consuming, we are working towards fully automating the visual inspections to support the prioritization of maintenance activities. To that end we combine recent advances in drone technology and deep learning. Unfortunately, annotation costs are incredibly high as our proprietary civil engineering dataset must be annotated by highly trained engineers. Active learning is, therefore, a valuable tool to optimize the trade-off between model performance and annotation costs. Our use-case differs from the classical active learning setting as our dataset suffers from heavy class imbalance and consists of a much larger already labeled data pool than other active learning research. We present a novel method capable of operating in this challenging setting by replacing the traditional active learning acquisition function with an auxiliary binary discriminator. We experimentally show that our novel method outperforms the best-performing traditional active learning method (BALD) by 5% and 38% accuracy on CIFAR-10 and our proprietary dataset respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google