upipes/PipeNet-Expansion

해결하는 문제

지반 탐사 레이더(GPR) 지하 진단에서 "도메인 전이" 문제를 해결합니다. GPR 신호는 지역별 토양 구성, 수분 함량, 도로 구조에 따라 달라지기 때문에, 한 지역에서 학습된 분류기는 새로운 지역에 적용될 때 종종 실패합니다. 본 프로젝트는 기존 분류기를 환경 지식을 활용해 적응시킴으로써, 새로운 지역에서 대량의 레이블 데이터가 필요하지 않도록 합니다.

작동 방식

물리적 지식을 고려한 지식과 기계학습을 결합하여 서로 다른 환경 간의 격차를 메웁니다:

1. 지식 생성: 대규모 언어 모델(LLM)을 사용해 다양한 이미징 조건에서 지하 타겟이 어떻게 나타나는지에 대한 설명을 생성합니다.
2. 적응: 원래 지역의 분류기 가중치를 새로운 지역으로 적응시키기 위한 프레임워크(물리적 지식 생성: PKG, 반복적 상태 정제: ISR, 인과 변환 정렬: CTA)를 활용합니다.
3. 프로토타입 시스템: Vue 프론트엔드, Django 백엔드, MySQL 데이터베이스를 사용한 풀스택 애플리케이션으로, 지역 정의 설정, 지식 생성, 적응 모델 학습, 활성화 맵을 통한 결과 시각화가 가능합니다.

대상 사용자

비파괴 인프라 검사, GPR 신호 처리, 크로스도메인 기계학습 적응에 전문적인 연구자 및 엔지니어.

주요 특징

• LLM 기반 적응: LLM을 활용해 GPR 신호에 영향을 미치는 환경 요소를 설명하여 모델 학습을 안내합니다.
• 다양한 지역 간 전이: 최소한의 새로운 레이블로 한 지하 환경에서 다른 지하 환경으로 진단 능력을 이식할 수 있도록 설계되었습니다.
• 풀스택 프로토타입: 지식 생성에서 모델 평가에 이르기까지 전체 워크플로우를 관리하는 완전한 시스템을 포함합니다.
• 포괄적인 벤치마킹: DANN, ADDA, G2KD 등 여러 기준 비교 방법의 구현이 포함되어 있습니다.