Fugu-MT 論文翻訳(概要): Synthetic Image Augmentation for Damage Region Segmentation using Conditional GAN with Structure Edge

論文の概要: Synthetic Image Augmentation for Damage Region Segmentation using Conditional GAN with Structure Edge

arxiv url: http://arxiv.org/abs/2005.08628v1
Date: Thu, 7 May 2020 06:04:02 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 22:47:17.876541
Title: Synthetic Image Augmentation for Damage Region Segmentation using Conditional GAN with Structure Edge
Title（参考訳）: 構造エッジ付き条件付きganを用いた損傷領域分割のための合成画像拡張
Authors: Takato Yasuno, Michihiro Nakajima, Tomoharu Sekiguchi, Kazuhiro Noda, Kiyoshi Aoyanagi, Sakura Kato
Abstract要約: 画像から画像への変換マッピングを用いて、損傷画像を生成する合成拡張手法を提案する。我々は,FCN-8s,SegNet,DeepLabv3+Xception-v2などの画素ごとのセグメンテーションアルゴリズムを適用した。合成拡張法で加算されたデータセットの再トレーニングは、平均IoU、興味の損傷領域IoU、精度、リコール、BFスコアに基づいて、テスト画像の予測時に精度が高くなることを示した。
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: Recently, social infrastructure is aging, and its predictive maintenance has become important issue. To monitor the state of infrastructures, bridge inspection is performed by human eye or bay drone. For diagnosis, primary damage region are recognized for repair targets. But, the degradation at worse level has rarely occurred, and the damage regions of interest are often narrow, so their ratio per image is extremely small pixel count, as experienced 0.6 to 1.5 percent. The both scarcity and imbalance property on the damage region of interest influences limited performance to detect damage. If additional data set of damaged images can be generated, it may enable to improve accuracy in damage region segmentation algorithm. We propose a synthetic augmentation procedure to generate damaged images using the image-to-image translation mapping from the tri-categorical label that consists the both semantic label and structure edge to the real damage image. We use the Sobel gradient operator to enhance structure edge. Actually, in case of bridge inspection, we apply the RC concrete structure with the number of 208 eye-inspection photos that rebar exposure have occurred, which are prepared 840 block images with size 224 by 224. We applied popular per-pixel segmentation algorithms such as the FCN-8s, SegNet, and DeepLabv3+Xception-v2. We demonstrates that re-training a data set added with synthetic augmentation procedure make higher accuracy based on indices the mean IoU, damage region of interest IoU, precision, recall, BF score when we predict test images.
Abstract（参考訳）: 近年,社会基盤が高齢化しており,その予測メンテナンスが重要になっている。インフラの状態を監視するため、人間の目やベイドローンで橋の検査を行う。診断には、修復目標に対する一次損傷領域が認識される。しかし、低いレベルの劣化は滅多に起こらず、関心のある損傷領域はしばしば狭く、画像当たりの比率は0.6から1.5%という非常に小さいピクセル数である。損益領域における損益及び不均衡性は、被害を検出するために限られた性能に影響を及ぼす。損傷画像の追加データ集合が生成可能であれば、損傷領域分割アルゴリズムの精度を向上させることができる。本稿では,意味ラベルと構造エッジの両方からなる3カテゴリーラベルから実際の損傷画像への画像-画像変換マッピングを用いて,損傷画像を生成する合成拡張手法を提案する。構造エッジの強化にはソベル勾配演算子を用いる。実際に,橋梁検査の場合,レバー露光による208枚の目視写真が得られたRCコンクリート構造物に適用し,サイズ224×224の840枚のブロック画像を作成した。我々は,FCN-8s,SegNet,DeepLabv3+Xception-v2などの画素ごとのセグメンテーションアルゴリズムを適用した。実験画像の予測には, 平均IoU, 興味の損傷領域IoU, 精度, リコール, BFスコアの指標に基づいて, 合成増強法で加算したデータセットの再学習が, 精度が高いことを示した。

関連論文リスト

Semi-Truths: A Large-Scale Dataset of AI-Augmented Images for Evaluating Robustness of AI-Generated Image detectors [62.63467652611788]
実画像27,600枚、223,400枚、AI拡張画像1,472,700枚を含むSEMI-TRUTHSを紹介する。それぞれの画像には、検出器のロバスト性の標準化と目標評価のためのメタデータが添付されている。以上の結果から,現状の検出器は摂動の種類や程度,データ分布,拡張方法に様々な感度を示すことが示唆された。
論文参考訳（メタデータ） (2024-11-12T01:17:27Z)
Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文参考訳（メタデータ） (2023-08-24T12:32:46Z)
PAIF: Perception-Aware Infrared-Visible Image Fusion for Attack-Tolerant Semantic Segmentation [50.556961575275345]
対向シーンにおけるセグメンテーションの堅牢性を促進するための認識認識型融合フレームワークを提案する。我々は,先進の競争相手に比べて15.3% mIOUの利得で,ロバスト性を大幅に向上させることを示す。
論文参考訳（メタデータ） (2023-08-08T01:55:44Z)
A hierarchical semantic segmentation framework for computer vision-based bridge damage detection [3.7642333932730634]
遠隔カメラと無人航空機(UAV)を用いたコンピュータビジョンによる損傷検出は、効率的で低コストなブリッジの健康モニタリングを可能にする。本稿では,コンポーネントカテゴリと損傷タイプ間の階層的意味関係を強制するセグメンテーションフレームワークを提案する。このようにして、損傷検出モデルは、潜在的な損傷領域からのみ学習特徴に焦点をあてることができ、他の無関係領域の影響を避けることができる。
論文参考訳（メタデータ） (2022-07-18T18:42:54Z)
Operationalizing Convolutional Neural Network Architectures for Prohibited Object Detection in X-Ray Imagery [15.694880385913534]
本稿では,近年の2つのエンドツーエンドオブジェクト検出CNNアーキテクチャ,Cascade R-CNNとFreeAnchorの実現可能性について検討する。パラメータが少なく訓練時間も少ないため、FreeAnchorは13 fps (3.9 ms)の最大検出速度を達成している。 CNNモデルは、損失のある圧縮に対してかなりのレジリエンスを示し、JPEG圧縮レベル50においてmAPの1.1%しか減少しない。
論文参考訳（メタデータ） (2021-10-10T21:20:04Z)
Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文参考訳（メタデータ） (2021-08-19T11:02:25Z)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)
Automatic joint damage quantification using computer vision and deep learning [0.0]
コンクリート舗装の安全性と長期性能に影響を及ぼす可能性がある。維持作業計画の立案、維持費の予測、コンクリート舗装の寿命の最大化を支援するためには、時間とともに共同損傷を評価し定量化することが重要である。ディープラーニング(DL)アルゴリズムを用いたコンピュータビジョン技術を用いて,低コストカメラによる関節損傷の高精度,自律的,迅速定量化のためのフレームワークを提案する。
論文参考訳（メタデータ） (2020-10-29T01:41:20Z)
Detection Of Concrete Cracks using Dual-channel Deep Convolutional Network [0.0]
本研究では, 深部畳み込みニューラルネットワーク(CNN)を用いたひび割れ検出手法を提案する。コンクリートクラックを用いた3200枚のラベル付き画像データベースが作成されており, コントラスト, 照明条件, 方向, ひび割れの重症度は極めて多様であった。我々は,両チャネル深部CNNを設計し,高い精度(92.25%)と現実的状況におけるコンクリートのひび割れ発見の堅牢性を示した。
論文参考訳（メタデータ） (2020-09-22T15:17:02Z)
Per-pixel Classification Rebar Exposures in Bridge Eye-inspection [0.0]
低画素画像のセマンティックセグメンテーションを可能にするトランスファー学習の3つの損傷検出手法を提案する。本稿では,実世界の橋梁106面の208枚の残響画像を用いた結果について述べる。
論文参考訳（メタデータ） (2020-04-22T17:28:42Z)
RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。