論文の概要: Generative Damage Learning for Concrete Aging Detection using Auto-flight Images

• arxiv url: http://arxiv.org/abs/2006.15257v2
• Date: Wed, 19 Aug 2020 19:47:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 08:07:20.219314
• Title: Generative Damage Learning for Concrete Aging Detection using Auto-flight Images
• Title（参考訳）: 自動飛行画像を用いたコンクリート老化検出のための生成的損傷学習
• Authors: Takato Yasuno, Akira Ishii, Junichiro Fujii, Masazumi Amakata, Yuta Takahashi
• Abstract要約: そこで本研究では,損傷画像から画像間変換マッピングを用いて,健康状態に近似した逆老化偽画像に対する異常検出手法を提案する。 フィールド研究に本手法を適用し, コンクリート損傷の健康モニタリングにおける本手法の有用性について検討した。
• 参考スコア（独自算出の注目度）: 0.7612218105739107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In order to monitor the state of large-scale infrastructures, image acquisition by autonomous flight drones is efficient for stable angle and high-quality images. Supervised learning requires a large data set consisting of images and annotation labels. It takes a long time to accumulate images, including identifying the damaged regions of interest (ROIs). In recent years, unsupervised deep learning approaches such as generative adversarial networks (GANs) for anomaly detection algorithms have progressed. When a damaged image is a generator input, it tends to reverse from the damaged state to the healthy state generated image. Using the distance of distribution between the real damaged image and the generated reverse aging healthy state fake image, it is possible to detect the concrete damage automatically from unsupervised learning. This paper proposes an anomaly detection method using unpaired image-to-image translation mapping from damaged images to reverse aging fakes that approximates healthy conditions. We apply our method to field studies, and we examine the usefulness of our method for health monitoring of concrete damage.
• Abstract（参考訳）: 大規模インフラの状態を監視するため、自律飛行ドローンによる画像取得は、安定した角度と高品質の画像に効率的である。 教師あり学習は、画像と注釈ラベルからなる大きなデータセットを必要とする。 損傷した関心領域(ROI)を識別するなど、画像の蓄積には長い時間がかかる。 近年、異常検出アルゴリズムのためのgans(generative adversarial networks)のような教師なしディープラーニングアプローチが進められている。 損傷画像が発電機入力である場合には、損傷状態から健康状態生成画像に反転する傾向がある。 実際の損傷画像と生成したリバースエイジング健康状態フェイク画像との間の分布距離を用いて、教師なし学習から自動的にコンクリート損傷を検出することができる。 本稿では,損傷画像からの非ペア画像対画像変換マッピングを用いた異常検出法を提案する。 フィールド研究に本手法を適用し, コンクリート損傷の健康モニタリングにおける本手法の有用性について検討した。

関連論文リスト

• RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
  RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
  論文  参考訳（メタデータ） (2024-05-30T14:49:54Z)
• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• GenDet: Towards Good Generalizations for AI-Generated Image Detection [27.899521298845357]
  既存の方法では、目に見えないジェネレータが生成した画像を効果的に検出できるが、見えないジェネレータが生成した画像を検出することは困難である。 本稿では、異常検出の観点から、この課題を考慮し、未知のジェネレータ検出問題に対処する。 提案手法は,実画像の教師モデルと学生モデルとの出力の差を小さくし,偽画像の差を大きくすることを目的としている。
  論文  参考訳（メタデータ） (2023-12-12T11:20:45Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• Supervised Anomaly Detection Method Combining Generative Adversarial Networks and Three-Dimensional Data in Vehicle Inspections [0.0]
  車両の床下機器の外部視界検査は現在、人間の視界検査によって行われている。 本研究では,3次元コンピュータグラフィックス上で生成した逆数ネットワークを用いたスタイル変換手法を提案する。
  論文  参考訳（メタデータ） (2022-12-22T06:39:52Z)
• RestoreX-AI: A Contrastive Approach towards Guiding Image Restoration via Explainable AI Systems [8.430502131775722]
  気象汚染は物体の検知可能性を妨げ、ナビゲーションと信頼性に深刻な脅威をもたらす可能性がある。 本稿では,修復モデルによる画像の評価とポストトレーニングによる画像の評価により,この問題の緩和に向けた対照的なアプローチを提案する。 気象条件下での入力画像と復元画像の間に平均178%のmAP増加が達成された。
  論文  参考訳（メタデータ） (2022-04-03T12:45:00Z)
• Detecting Adversaries, yet Faltering to Noise? Leveraging Conditional Variational AutoEncoders for Adversary Detection in the Presence of Noisy Images [0.7734726150561086]
  条件変分オートエンコーダ(CVAE)は、知覚不能な画像摂動を検出するのに驚くほど優れている。 画像分類ネットワーク上での敵攻撃を検出するために,CVAEを効果的に利用する方法を示す。
  論文  参考訳（メタデータ） (2021-11-28T20:36:27Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)
• CutPaste: Self-Supervised Learning for Anomaly Detection and Localization [59.719925639875036]
  通常のトレーニングデータのみを用いて異常検知器を構築するためのフレームワークを提案する。 まず、自己教師付き深層表現を学習し、学習した表現の上に生成的1クラス分類器を構築する。 MVTec異常検出データセットに関する実証研究は,提案アルゴリズムが実世界の様々な欠陥を検出可能であることを実証している。
  論文  参考訳（メタデータ） (2021-04-08T19:04:55Z)
• Pixel-wise Dense Detector for Image Inpainting [34.721991959357425]
  近年のGANベースの画像インパインティング手法では,画像の識別とスカラー出力に平均的手法が採用されている。 本稿では, 画像インパインティングのための新たな検出ベース生成フレームワークを提案し, 逆方向のプロセスにおいてmin-max戦略を採用する。 複数の公開データセットの実験は、提案したフレームワークの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-11-04T13:45:27Z)

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。