upipes/PipeNet-Expansion

解决的问题

解决地面穿透雷达（GPR）地下诊断中的「领域偏移」问题。由于GPR信号会因当地土壤成分、含水量和道路结构而变化，因此在一个地理区域训练的分类器在应用于新区域时往往失效。本项目通过利用环境知识来适应现有分类器，减少了在新区域获取大量标注数据的需求。

工作原理

系统结合物理感知知识与机器学习，弥合不同环境之间的差距：

1. 知识生成：使用大型语言模型（LLMs）生成不同成像条件下地下目标呈现方式的描述。
2. 适应：采用包含物理感知知识生成（PKG）、迭代状态精炼（ISR）和因果变换对齐（CTA）的框架，将原始区域的分类器权重适配到新区域。
3. 原型系统：一个全栈应用程序（Vue前端、Django后端、MySQL数据库），允许用户配置区域定义、生成知识、训练适配模型，并通过激活图可视化结果。

适用对象

专注于非破坏性基础设施检测、GPR信号处理和跨领域机器学习适应的研究人员和工程师。

主要亮点

• LLM引导的适应：利用LLM描述环境对GPR信号的影响，以指导模型训练。
• 跨区域迁移：专门设计用于在最小新标签情况下，将诊断能力从一个地下环境迁移到另一个环境。
• 全栈原型系统：包含从知识生成到模型评估的完整工作流管理系统。
• 全面的基准测试：包含多种基线对比方法的实现（例如，DANN、ADDA、G2KD）。