論文の概要: Automatic Crack Detection on Road Pavements Using Encoder Decoder
Architecture
- arxiv url: http://arxiv.org/abs/2007.00477v1
- Date: Wed, 1 Jul 2020 13:32:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 22:52:47.771250
- Title: Automatic Crack Detection on Road Pavements Using Encoder Decoder
Architecture
- Title(参考訳): エンコーダデコーダアーキテクチャを用いた道路舗装の自動き裂検出
- Authors: Zhun Fan and Chong Li and Ying Chen and Jiahong Wei and Giuseppe
Loprencipe and Xiaopeng Chen and Paola Di Mascio
- Abstract要約: 提案アルゴリズムは,階層型特徴学習と拡張畳み込みを用いたエンコーダデコーダアーキテクチャ,U-階層型拡張ネットワーク (U-HDN) を提案する。
複数のコンテキスト情報を持つき裂特性は、自動的に学習し、エンドツーエンドのき裂検出を行うことができる。
- 参考スコア(独自算出の注目度): 9.34360241512198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inspired by the development of deep learning in computer vision and object
detection, the proposed algorithm considers an encoder-decoder architecture
with hierarchical feature learning and dilated convolution, named
U-Hierarchical Dilated Network (U-HDN), to perform crack detection in an
end-to-end method. Crack characteristics with multiple context information are
automatically able to learn and perform end-to-end crack detection. Then, a
multi-dilation module embedded in an encoder-decoder architecture is proposed.
The crack features of multiple context sizes can be integrated into the
multi-dilation module by dilation convolution with different dilatation rates,
which can obtain much more cracks information. Finally, the hierarchical
feature learning module is designed to obtain a multi-scale features from the
high to low-level convolutional layers, which are integrated to predict
pixel-wise crack detection. Some experiments on public crack databases using
118 images were performed and the results were compared with those obtained
with other methods on the same images. The results show that the proposed U-HDN
method achieves high performance because it can extract and fuse different
context sizes and different levels of feature maps than other algorithms.
- Abstract(参考訳): コンピュータビジョンとオブジェクト検出の深層学習の発展に触発され,提案アルゴリズムは階層的特徴学習と拡張畳み込みによるエンコーダ・デコーダアーキテクチャ(U-Hierarchical Dilated Network, U-HDN)を検討した。
複数のコンテキスト情報を有する亀裂特性を自動学習し、エンドツーエンドの亀裂検出を行う。
次に,エンコーダ-デコーダアーキテクチャに埋め込まれたマルチディレーションモジュールを提案する。
複数のコンテキストサイズのひび割れの特徴は、拡張率の異なる拡張畳み込みによってマルチディレーションモジュールに統合することができ、さらに多くのひび割れ情報を得ることができる。
最後に、階層型特徴学習モジュールは、高レベルから低レベルの畳み込み層から、画素単位のひび割れ検出を予測するために統合されたマルチスケール機能を得るように設計されている。
118枚の画像を用いた公開き裂データベース実験を行い, 得られた結果と同一画像上の他の手法との比較を行った。
その結果,U-HDN法は他のアルゴリズムと異なるコンテキストサイズと異なる特徴マップを抽出・融合できるため,高い性能が得られることがわかった。
関連論文リスト
- UP-CrackNet: Unsupervised Pixel-Wise Road Crack Detection via
Adversarial Image Restoration [26.647863571012582]
本稿では,UP-CrackNet と呼ばれる非教師付き画素単位の道路亀裂検出ネットワークを提案する。
提案手法はまずマルチスケールの正方形マスクを生成し,特定領域を除去して無害道路画像をランダムに選別する。
生成的敵ネットワークは、周辺未破壊領域から学習した意味的文脈を活用することにより、腐敗した領域を復元するように訓練される。
テストフェーズでは、入力画像と復元画像との差を計算してエラーマップを生成し、画素ワイドなクラック検出を可能にする。
論文 参考訳(メタデータ) (2024-01-28T12:51:01Z) - Unsupervised crack detection on complex stone masonry surfaces [0.0]
本稿では,石造石垣のき裂検出手法について述べる。
提案手法では, RGB (Red Green Blue) 画像パッチの非教師付き異常検出問題として, き裂検出にアプローチする。
論文 参考訳(メタデータ) (2023-03-31T12:07:23Z) - Learning-Based Defect Recognitions for Autonomous UAV Inspections [1.713291434132985]
我々は,Alexnet,VGG,Resnetなどの古典的ネットワークアーキテクチャに基づくひび割れ検出のためのディープラーニングフレームワークを実装した。
特徴ピラミッドネットワークアーキテクチャにヒントを得て、階層的畳み込みニューラルネットワーク(CNN)ディープラーニングフレームワークも提案されている。
また, 各種コンクリート構造物のひび割れ検査作業のために, 無人航空機の自動点検のための枠組みも提案する。
論文 参考訳(メタデータ) (2023-02-13T04:25:05Z) - Exploring Resolution and Degradation Clues as Self-supervised Signal for
Low Quality Object Detection [77.3530907443279]
劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。
本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
論文 参考訳(メタデータ) (2022-08-05T09:36:13Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-09-18T00:21:17Z) - CarNet: A Lightweight and Efficient Encoder-Decoder Architecture for
High-quality Road Crack Detection [21.468229247797627]
高速かつ高品質な亀裂検出のための軽量エンコーダデコーダアーキテクチャであるCarNetを提案する。
特に、理想的なエンコーダは、異なる段階における畳み込み層数に関するオリーブ型分布を示すべきである。
デコーダでは、クラック検出のためのリッチな階層的特徴を学習するために、軽量なアップサンプリング機能ピラミッドモジュールを導入する。
論文 参考訳(メタデータ) (2021-09-13T05:01:34Z) - Deep ensembles based on Stochastic Activation Selection for Polyp
Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。
イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。
我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文 参考訳(メタデータ) (2021-04-02T02:07:37Z) - A Holistically-Guided Decoder for Deep Representation Learning with
Applications to Semantic Segmentation and Object Detection [74.88284082187462]
一般的な戦略の1つは、バックボーンネットワークに拡張畳み込みを採用し、高解像度のフィーチャーマップを抽出することです。
本稿では,高分解能なセマンティクスリッチな特徴マップを得るために紹介される,新たなホリスティック誘導デコーダを提案する。
論文 参考訳(メタデータ) (2020-12-18T10:51:49Z) - Optimized Deep Encoder-Decoder Methods for Crack Segmentation [0.9449650062296824]
表面き裂のセグメンテーションは、背景、形状、色、き裂の大きさが異なるため、コンピュータビジョンの課題となる。
本研究では,クラックセグメンテーション性能を向上する手法を組み合わせて,最適化されたディープエンコーダデコーダ法を提案する。
論文 参考訳(メタデータ) (2020-08-14T09:43:43Z) - Beyond Single Stage Encoder-Decoder Networks: Deep Decoders for Semantic
Image Segmentation [56.44853893149365]
セマンティックセグメンテーションのための単一エンコーダ-デコーダ手法は、セマンティックセグメンテーションの品質とレイヤー数あたりの効率の観点からピークに達している。
そこで本研究では,より多くの情報コンテンツを取得するために,浅層ネットワークの集合を用いたデコーダに基づく新しいアーキテクチャを提案する。
アーキテクチャをさらに改善するために,ネットワークの注目度を高めるために,クラスの再バランスを目的とした重み関数を導入する。
論文 参考訳(メタデータ) (2020-07-19T18:44:34Z) - Rethinking and Improving Natural Language Generation with Layer-Wise
Multi-View Decoding [59.48857453699463]
シーケンシャル・ツー・シーケンス学習では、デコーダは注意機構に依存してエンコーダから情報を効率的に抽出する。
近年の研究では、異なるエンコーダ層からの表現を多様なレベルの情報に利用することが提案されている。
本稿では, 各デコーダ層に対して, グローバルビューとして機能する最後のエンコーダ層からの表現とともに, ソースシーケンスの立体視のために他のエンコーダ層からのデコーダ層からのデコーダ層を補足するレイヤワイド・マルチビューデコーダを提案する。
論文 参考訳(メタデータ) (2020-05-16T20:00:39Z)
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。