論文の概要: Obstruction level detection of sewer videos using convolutional neural
networks
- arxiv url: http://arxiv.org/abs/2002.01284v1
- Date: Tue, 4 Feb 2020 13:52:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 03:37:18.072511
- Title: Obstruction level detection of sewer videos using convolutional neural
networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いた下水道映像の妨害レベル検出
- Authors: Mario A. Gutierrez-Mondragon, Dario Garcia-Gasulla, Sergio
Alvarez-Napagao, Jaume Brossa-Ordo\~nez and Rafael Gimenez-Esteban
- Abstract要約: 我々は,パイプの閉塞レベルを特定するために畳み込みニューラルネットワークを訓練する。
最後に, 提案システムにより, 下水道試験における速度, 精度, 整合性を向上することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Worldwide, sewer networks are designed to transport wastewater to a
centralized treatment plant to be treated and returned to the environment. This
process is critical for the current society, preventing waterborne illnesses,
providing safe drinking water and enhancing general sanitation. To keep a sewer
network perfectly operational, sampling inspections are performed constantly to
identify obstructions. Typically, a Closed-Circuit Television system is used to
record the inside of pipes and report the obstruction level, which may trigger
a cleaning operative. Currently, the obstruction level assessment is done
manually, which is time-consuming and inconsistent. In this work, we design a
methodology to train a Convolutional Neural Network for identifying the level
of obstruction in pipes, thus reducing the human effort required on such a
frequent and repetitive task. We gathered a database of videos that are
explored and adapted to generate useful frames to fed into the model. Our
resulting classifier obtains deployment ready performances. To validate the
consistency of the approach and its industrial applicability, we integrate the
Layer-wise Relevance Propagation explainability technique, which enables us to
further understand the behavior of the neural network for this task. In the
end, the proposed system can provide higher speed, accuracy, and consistency in
the process of sewer examination. Our analysis also uncovers some guidelines on
how to further improve the quality of the data gathering methodology.
- Abstract（参考訳）: 下水道網は、排水を中央処理場に輸送して処理し、環境に戻すように設計されている。
このプロセスは現在の社会にとって重要であり、水性疾患を予防し、安全な飲料水を提供し、一般的な衛生を強化する。
下水道網の完全運用を維持するため、常にサンプリング検査を行い、障害を識別する。
通常、閉鎖回路テレビシステムはパイプの内部を記録し、妨害レベルを報告するために使われ、掃除作業が引き起こされる可能性がある。
現在、障害レベルのアセスメントは手動で行われており、時間がかかり、一貫性がない。
本研究では,パイプの閉塞レベルを特定するために畳み込みニューラルネットワークを訓練する手法を設計し,このような頻繁かつ反復的な作業に要する人的労力を削減する。
私たちは、モデルに入力するための有用なフレームを生成するために、探索および適応されたビデオのデータベースを集めました。
結果として得られた分類器は、デプロイ可能なパフォーマンスを得る。
このアプローチの一貫性と工業的適用性を検証するために,階層的適合性伝達説明可能性技術を統合することで,ニューラルネットワークの動作をより深く理解することができる。
最後に, 提案システムにより, 下水道試験における速度, 精度, 整合性を向上することができる。
私たちの分析では、データ収集方法論のさらなる品質向上に関するガイドラインも公開しています。
関連論文リスト
- Water quality polluted by total suspended solids classified within an Artificial Neural Network approach [0.0]
懸濁液による水質汚染は、環境と健康に重大なリスクをもたらす。
これらの課題に対処するために, 全懸濁固体から水質の包括的データセットを活用するモデルを開発した。
畳み込みニューラルネットワークは, 異なる懸濁液濃度に対応するデータを用いて, 伝達学習手法で訓練された。
論文 参考訳（メタデータ） (2024-10-19T01:33:08Z) - Classifier Guidance Enhances Diffusion-based Adversarial Purification by Preserving Predictive Information [75.36597470578724]
敵の浄化は、敵の攻撃からニューラルネットワークを守るための有望なアプローチの1つである。
分類器決定境界から遠ざかって, 清浄するgUided Purification (COUP)アルゴリズムを提案する。
実験結果から, COUPは強力な攻撃法でより優れた対向的堅牢性が得られることが示された。
論文 参考訳（メタデータ） (2024-08-12T02:48:00Z) - Verification of Neural Network Control Systems in Continuous Time [1.5695847325697108]
本研究では,連続的なニューラルネットワーク制御系に対する最初の検証手法を開発した。
ニューラルネットワークコントローラをモデル化するための抽象化レベルを追加することで、これを実現する。
視覚に基づく自律型飛行機タクシーシステムに適用することで,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-05-31T19:39:48Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - Diffusion Generative Flow Samplers: Improving learning signals through
partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。
生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文 参考訳（メタデータ） (2023-10-04T09:39:05Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - Multi-Task Classification of Sewer Pipe Defects and Properties using a
Cross-Task Graph Neural Network Decoder [56.673599764041384]
我々は、新しいデコーダ指向マルチタスク分類アーキテクチャ、クロスタスクグラフニューラルネットワーク(CT-GNN)を提案する。
CT-GNNは、クロスタスク情報を用いてタスクごとの解離予測を洗練する。
我々は,Swer-MLデータセットの4つの分類タスクすべてに対して,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-11-15T15:36:50Z) - OAS-Net: Occlusion Aware Sampling Network for Accurate Optical Flow [4.42249337449125]
既存のディープネットワークは、ピラミッドの粗大なパラダイムを主に利用することで満足な結果を得た。
我々は,OAS-Netという軽量で効率的な光フローネットワークを提案し,正確な光フローを実現する。
SintelとKITTIデータセットの実験は、提案手法の有効性を実証している。
論文 参考訳（メタデータ） (2021-01-31T03:30:31Z) - DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning
Approach [0.09176056742068815]
本稿では,ネットワーク監視システムから受動的に抽出されたDNSネットワークデータの解析に基づいて,効果的な隠蔽チャネル検出手法を提案する。
提案手法は15日間の実験実験で評価され,最も関連する流出・トンネル攻撃をカバーするトラフィックを注入した。
論文 参考訳（メタデータ） (2020-10-04T13:28:28Z) - A Multi-step and Resilient Predictive Q-learning Algorithm for IoT with
Human Operators in the Loop: A Case Study in Water Supply Networks [4.9550706407171585]
障害のあるコンポーネントが存在する場合、IoTネットワークに対してレジリエントで予測可能なアクションを推奨する問題を考察する。
我々はバージニア州アーリントン郡の匿名化データを用いて、スマート給水システムのための予測的かつレジリエントなスケジューリングポリシーを計算します。
論文 参考訳（メタデータ） (2020-06-06T15:51:52Z)
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。