Fugu-MT 論文翻訳(概要): A Deep Neural Networks Approach for Pixel-Level Runway Pavement Crack Segmentation Using Drone-Captured Images

論文の概要: A Deep Neural Networks Approach for Pixel-Level Runway Pavement Crack Segmentation Using Drone-Captured Images

arxiv url: http://arxiv.org/abs/2001.03257v1
Date: Thu, 9 Jan 2020 23:30:50 GMT
ステータス: 処理完了
システム内更新日: 2023-01-13 05:14:36.414873
Title: A Deep Neural Networks Approach for Pixel-Level Runway Pavement Crack Segmentation Using Drone-Captured Images
Title（参考訳）: ドローンキャプチャ画像を用いた画素レベル舗装き裂の深部ニューラルネットワークによる解析
Authors: Liming Jiang, Yuanchang Xie, Tianzhu Ren
Abstract要約: 本研究では,U-Netと呼ばれる深層ニューラルネットワークを用いて,ドローンが捉えた画像に基づいて,舗装き裂のセグメンテーションを行う手法を提案する。提案手法は,道路上に車両が少ないオフピーク時間における高速道路舗装条件の評価にも有効である。
参考スコア（独自算出の注目度）: 6.402634424631123
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Pavement conditions are a critical aspect of asset management and directly affect safety. This study introduces a deep neural network method called U-Net for pavement crack segmentation based on drone-captured images to reduce the cost and time needed for airport runway inspection. The proposed approach can also be used for highway pavement conditions assessment during off-peak periods when there are few vehicles on the road. In this study, runway pavement images are collected using drone at various heights from the Fitchburg Municipal Airport (FMA) in Massachusetts to evaluate their quality and applicability for crack segmentation, from which an optimal height is determined. Drone images captured at the optimal height are then used to evaluate the crack segmentation performance of the U-Net model. Deep learning methods typically require a huge set of annotated training datasets for model development, which can be a major obstacle for their applications. An online annotated pavement image dataset is used together with the FMA data to train the U-Net model. The results show that U-Net performs well on the FMA testing data even with limited FMA training images, suggesting that it has good generalization ability and great potential to be used for both airport runways and highway pavements.
Abstract（参考訳）: 舗装条件は資産管理の重要な側面であり、安全に直接影響を及ぼす。本研究では, 空港滑走路検査に要するコストと時間を削減するために, ドローンキャプチャ画像に基づく舗装クラックセグメンテーションのためのU-Netと呼ばれるディープニューラルネットワーク手法を提案する。提案手法は,道路上に車両が少ないオフピーク時間における高速道路舗装条件の評価にも利用できる。本研究では,マサチューセッツ州のフィッチバーグ市民空港(fma)から,様々な高さのドローンを用いて滑走路舗装画像を収集し,そのクラックセグメンテーションの品質と適用性を評価し,最適な高さを求める。次に、最適な高さで撮影したドローン画像を用いて、U-Netモデルのひび割れセグメンテーション性能を評価する。ディープラーニングの手法は一般的に、モデル開発のための膨大なアノテートされたトレーニングデータセットを必要とします。オンラインアノテートされた舗装画像データセットとFMAデータを組み合わせてU-Netモデルをトレーニングする。その結果,U-NetはFMA訓練画像が限られていてもFMA試験データで良好に動作し,空港滑走路と高速道路舗装の両方に活用できる可能性が示唆された。

関連論文リスト

Automatic UAV-based Airport Pavement Inspection Using Mixed Real and Virtual Scenarios [3.0874677990361246]
本稿では,UAVが捉えた画像を用いて,舗装の苦悩を自動的に識別する視覚的アプローチを提案する。提案手法は,画像の欠陥を分割する深層学習(DL)に基づいている。合成および実訓練画像からなる混合データセットを使用することで、実アプリケーションシナリオでトレーニングモデルをテストする場合、より良い結果が得られることを示す。
論文参考訳（メタデータ） (2024-01-11T16:30:07Z)
CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
車両の新たな総合ベンチマークであるCarPatchを紹介する。内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
論文参考訳（メタデータ） (2023-07-24T11:59:07Z)
Efficient Semantic Segmentation on Edge Devices [7.5562201794440185]
本研究は,災害時の緊急応答にこれらのモデルを適用する可能性を検討するために,現在のセマンティックセマンティックセマンティクスモデルを解析する。実時間セマンティックセグメンテーションモデルと非実時間セマンティックセグメンテーションモデルの性能を, 対向条件下での空中画像によって制約された非実時間セマンティックセグメンテーションモデルと比較する。さらに,Hurricane Harveyの後に捉えたUAV画像を含むFlood-Netデータセット上で,複数のモデルをトレーニングし,浸水した建物と非流出した建物と浸水した道路と非流出した道路とをベンチマークした。
論文参考訳（メタデータ） (2022-12-28T04:13:11Z)
Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN [60.257791714663725]
オーバーウォーターシーンで画像をデフォグするための先行マップガイドサイクロン (PG-CycleGAN) を提案する。提案手法は,最先端の教師付き,半教師付き,非教師付きデグジングアプローチより優れている。
論文参考訳（メタデータ） (2022-12-23T03:00:28Z)
Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
論文参考訳（メタデータ） (2022-11-15T13:52:41Z)
SPIN Road Mapper: Extracting Roads from Aerial Images via Spatial and Interaction Space Graph Reasoning for Autonomous Driving [64.10636296274168]
道路抽出は、自律航法システムを構築するための重要なステップである。この問題に対して単に畳み込みニューラルネットワーク(ConvNets)を使用することは、画像内の道路セグメント間の遠い依存関係をキャプチャする非効率であるため、効果がない。本研究では,ConvNetに接続した時,特徴写像から投影された空間空間および相互作用空間上に構築されたグラフの推論を行う空間空間グラフ推論(SPIN)モジュールを提案する。
論文参考訳（メタデータ） (2021-09-16T03:52:17Z)
An Efficient and Scalable Deep Learning Approach for Road Damage Detection [0.0]
本稿では,画像に基づく苦難データをリアルタイムに分析するためのディープラーニングに基づくサーベイ手法を提案する。縦ひび割れ,横ひび割れ,アリゲーターひび割れなど,ひび割れの多種多様な種類からなるデータベースを用いる。提案されたモデルでは、F1スコアは52%から56%まで、平均推測時間は毎秒178-10枚だった。
論文参考訳（メタデータ） (2020-11-18T23:05:41Z)
Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。 UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文参考訳（メタデータ） (2020-09-16T11:37:43Z)
Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。その結果,小型歩行者の検出における本手法の有効性が示唆された。
論文参考訳（メタデータ） (2020-08-19T13:13:01Z)
Deep Learning-based Aerial Image Segmentation with Open Data for Disaster Impact Assessment [11.355723874379317]
セグメンテーションニューラルネットワークを利用したフレームワークは、災害後のシナリオで影響のある地域やアクセス可能な道路を特定するために提案されている。航空画像セグメンテーションにおけるImageNetの事前訓練の有効性について検討した。インドネシアのパウル島を襲った2018年の津波のデータから、提案された枠組みの有効性が示された。
論文参考訳（メタデータ） (2020-06-10T00:19:58Z)
Road Network and Travel Time Extraction from Multiple Look Angles with SpaceNet Data [14.814792290427471]
本研究では、SpaceNet MVOIデータセットから、走行時間推定で道路網を抽出する。 APLS_length と APLS_time の最小差 0.03 は,本手法の速度限界と走行時間とを極めて高い忠実度で有することを示す。
論文参考訳（メタデータ） (2020-01-16T16:23:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。