論文の概要: Surface Damage Detection Scheme using Convolutional Neural Network and
Artificial Neural Network
- arxiv url: http://arxiv.org/abs/2003.10760v2
- Date: Sun, 18 Oct 2020 14:59:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 08:33:37.212838
- Title: Surface Damage Detection Scheme using Convolutional Neural Network and
Artificial Neural Network
- Title（参考訳）: 畳み込みニューラルネットワークとニューラルネットワークを用いた表面損傷検出方式
- Authors: Alice Yi Yang and Ling Cheng
- Abstract要約: 本稿では,CNNとANNを用いた2段階の表面損傷検出手法を提案する。
CNNは画像分類の精度80.7%、ANNは表面検出の精度98.1%を達成する。
- 参考スコア（独自算出の注目度）: 0.30458514384586394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surface damage on concrete is important as the damage can affect the
structural integrity of the structure. This paper proposes a two-step surface
damage detection scheme using Convolutional Neural Network (CNN) and Artificial
Neural Network (ANN). The CNN classifies given input images into two
categories: positive and negative. The positive category is where the surface
damage is present within the image, otherwise the image is classified as
negative. This is an image-based classification. The ANN accepts image inputs
that have been classified as positive by the ANN. This reduces the number of
images that are further processed by the ANN. The ANN performs feature-based
classification, in which the features are extracted from the detected edges
within the image. The edges are detected using Canny edge detection. A total of
19 features are extracted from the detected edges. These features are inputs
into the ANN. The purpose of the ANN is to highlight only the positive damaged
edges within the image. The CNN achieves an accuracy of 80.7% for image
classification and the ANN achieves an accuracy of 98.1% for surface detection.
The decreased accuracy in the CNN is due to the false positive detection,
however false positives are tolerated whereas false negatives are not. The
false negative detection for both CNN and ANN in the two-step scheme are 0%.
- Abstract（参考訳）: コンクリート表面の損傷は構造物の構造的整合性に影響を与えるため重要である。
本稿では,畳み込みニューラルネットワーク(CNN)とニューラルネットワーク(ANN)を用いた2段階の表面損傷検出手法を提案する。
cnnは入力画像を正と負の2つのカテゴリに分類する。
正のカテゴリーは、画像内に表面の損傷が存在し、そうでなければ画像は負に分類される。
これは画像に基づく分類である。
ANNは、ANNが肯定的に分類した画像入力を受け入れる。
これにより、ANNによってさらに処理される画像の数を減らすことができる。
annは、画像内の検出されたエッジから特徴を抽出する特徴に基づく分類を行う。
エッジは、キャニーエッジ検出を用いて検出される。
検出されたエッジから合計19の特徴を抽出する。
これらの機能はANNに入力される。
ANNの目的は、画像内の正の損傷エッジのみを強調することである。
CNNは画像分類の精度80.7%、ANNは表面検出の精度98.1%を達成する。
CNNの精度の低下は偽陽性検出によるものであるが、偽陽性は許容されるが、偽陰性は許容されない。
2段階スキームにおけるCNNとANNの偽陰性検出は0%である。
関連論文リスト
- A study on the deviations in performance of FNNs and CNNs in the realm
of grayscale adversarial images [0.3437656066916039]
ノイズ摂動を伴う画像の分類において,ニューラルネットワークはより精度の低い傾向を示す。
本研究では,手書き桁データセットであるMNISTを用いて,1と2の隠蔽層を持つFNNと3,4,6,8の畳み込みを持つCNNを用いて,それらの精度を分析した。
FNNは、ノイズの強度に関係なく、分類精度が85%以上であることを示した。
論文 参考訳（メタデータ） (2022-09-17T06:25:14Z) - SNN2ANN: A Fast and Memory-Efficient Training Framework for Spiking
Neural Networks [117.56823277328803]
スパイクニューラルネットワークは、低消費電力環境における効率的な計算モデルである。
本稿では,SNNを高速かつメモリ効率で学習するためのSNN-to-ANN(SNN2ANN)フレームワークを提案する。
実験結果から,SNN2ANNをベースとしたモデルがベンチマークデータセットで良好に動作することが示された。
論文 参考訳（メタデータ） (2022-06-19T16:52:56Z) - Early-exit deep neural networks for distorted images: providing an
efficient edge offloading [69.43216268165402]
ディープニューラルネットワーク(DNN)のエッジオフロードは、入力の複雑さに適応することができる。
画像歪みに対する対策として,特定の歪みタイプを訓練した専門的側枝を導入する。
このアプローチはエッジ上の推定精度を高め、オフロードの決定を改善する。
論文 参考訳（メタデータ） (2021-08-20T19:52:55Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳（メタデータ） (2021-03-14T20:43:19Z) - Kernel Based Progressive Distillation for Adder Neural Networks [71.731127378807]
追加のみを含むAdder Neural Networks(ANN)は、エネルギー消費の少ないディープニューラルネットワークを新たに開発する方法を提供する。
すべての畳み込みフィルタを加算フィルタで置き換える場合、精度の低下がある。
本稿では,トレーニング可能なパラメータを増大させることなく,ANNの性能を向上するための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-09-28T03:29:19Z) - Shape Defense Against Adversarial Attacks [47.64219291655723]
人間は物体を認識するために形状情報に大きく依存している。逆に、畳み込みニューラルネットワーク(CNN)はテクスチャに偏っている。
本稿では, 形状バイアスをCNNに組み込んで, 頑健性を向上させる方法について検討する。
2つのアルゴリズムが提案され、エッジが適度な知覚不能な摂動に不変であるという観測に基づいている。
論文 参考訳（メタデータ） (2020-08-31T03:23:59Z) - Interpretation of ResNet by Visualization of Preferred Stimulus in
Receptive Fields [2.28438857884398]
ImageNetの分類タスクにおけるResNetの受容領域について検討する。
ResNetは配向選択的ニューロンと二重対立色ニューロンを持つ。
さらに,ResNetの第1層における不活性ニューロンが分類タスクに影響を及ぼす可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-02T14:25:26Z) - Crossed-Time Delay Neural Network for Speaker Recognition [5.216353911330589]
我々は,現在のTDNNの性能を高めるために,新しい構造であるCrossed-Time Delay Neural Network (CTDNN)を導入する。
提案したCTDNNは,話者認証タスクと識別タスクの両方において,元のTDNNよりも大幅に改善されている。
論文 参考訳（メタデータ） (2020-05-31T06:57:34Z) - R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。
我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
論文 参考訳（メタデータ） (2016-05-20T15:50:11Z)
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。