upipes/PipeNet-Expansion

解決的問題

解決地面穿透雷達（GPR）地下診斷中的「領域偏移」問題。由於GPR訊號會因當地土壤成分、含水量和道路結構而變化，因此在一個地理區域訓練的分類器在應用於新區域時往往失效。本專案透過利用環境知識來適應現有分類器，減少在新區域取得大量標註資料的需求。

工作原理

系統結合物理感知知識與機器學習，彌合不同環境之間的差距：

1. 知識生成：使用大型語言模型（LLMs）生成不同成像條件下地下目標呈現方式的描述。
2. 適應：採用包含物理感知知識生成（PKG）、迭代狀態精煉（ISR）和因果變換對齊（CTA）的框架，將原始區域的分類器權重適應到新區域。
3. 原型系統：一個全棧應用程式（Vue前端、Django後端、MySQL資料庫），允許使用者設定區域定義、產生知識、訓練適應模型，並透過激活圖可視化結果。

適用對象

專注於非破壞性基礎設施檢測、GPR訊號處理和跨領域機器學習適應的研究人員與工程師。

主要亮點

• LLM引導的適應：利用LLM描述環境對GPR訊號的影響，以指導模型訓練。
• 跨區域遷移：專門設計用於在最小新標籤情況下，將診斷能力從一個地下環境遷移到另一個環境。
• 全棧原型系統：包含從知識生成到模型評估的完整工作流程管理系統。
• 全面的基準測試：包含多種基線對比方法的實作（例如，DANN、ADDA、G2KD）。