Fugu-MT 論文翻訳(概要): An Improved Deep Convolutional Neural Network-Based Autonomous Road Inspection Scheme Using Unmanned Aerial Vehicles

論文の概要: An Improved Deep Convolutional Neural Network-Based Autonomous Road Inspection Scheme Using Unmanned Aerial Vehicles

arxiv url: http://arxiv.org/abs/2008.06189v1
Date: Fri, 14 Aug 2020 04:35:10 GMT
ステータス: 処理完了
システム内更新日: 2022-10-30 17:10:38.407639
Title: An Improved Deep Convolutional Neural Network-Based Autonomous Road Inspection Scheme Using Unmanned Aerial Vehicles
Title（参考訳）: 無人航空機を用いた深部畳み込みニューラルネットワークによる自律走行検査方式の改良
Authors: Syed Ali Hassan, Tariq Rahim, Soo Young Shin
Abstract要約: この研究は、改良された畳み込みニューラルネットワーク(CNN)モデルであり、道路のクラック、ポットホール、黄色のレーンを検出するための実装である。黄色の車線検出・追跡の目的は、WIFIまたは5G媒体を介して、道路の亀裂や穴を検知・報告しながら、黄色い車線を追従し、無人航空機(UAV)の自律航法を実現することである。
参考スコア（独自算出の注目度）: 12.618653234201089
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Advancements in artificial intelligence (AI) gives a great opportunity to develop an autonomous devices. The contribution of this work is an improved convolutional neural network (CNN) model and its implementation for the detection of road cracks, potholes, and yellow lane in the road. The purpose of yellow lane detection and tracking is to realize autonomous navigation of unmanned aerial vehicle (UAV) by following yellow lane while detecting and reporting the road cracks and potholes to the server through WIFI or 5G medium. The fabrication of own data set is a hectic and time-consuming task. The data set is created, labeled and trained using default and an improved model. The performance of both these models is benchmarked with respect to accuracy, mean average precision (mAP) and detection time. In the testing phase, it was observed that the performance of the improved model is better in respect of accuracy and mAP. The improved model is implemented in UAV using the robot operating system for the autonomous detection of potholes and cracks in roads via UAV front camera vision in real-time.
Abstract（参考訳）: 人工知能(AI)の進歩は、自律的なデバイスを開発する素晴らしい機会を提供する。この研究の貢献は、改良された畳み込みニューラルネットワーク(cnn)モデルとその道路のひび割れ、ポットホール、イエローレーンの検出のための実装である。黄色の車線検出・追跡の目的は、WIFIまたは5G媒体を介して道路の亀裂や穴を検知・報告しながら、黄色い車線を追従して無人航空機(UAV)の自律航法を実現することである。独自のデータセットの作成は、複雑で時間のかかる作業である。データセットは、デフォルトと改良されたモデルを使用して作成、ラベル付け、トレーニングされる。これらのモデルの性能は、精度、平均平均精度(mAP)、検出時間に関してベンチマークされる。実験では, 精度およびmAPに関して, 改良モデルの性能が良好であることが確認された。改良されたモデルは、UAVフロントカメラによる道路の穴や亀裂をリアルタイムで検出するロボットオペレーティングシステムを用いて、UAVで実装されている。

関連論文リスト

Knowledge Distillation Neural Network for Predicting Car-following Behaviour of Human-driven and Autonomous Vehicles [2.099922236065961]
本研究では,混合交通におけるHDV-AV,AV-HDV,HDV-HDVの自動車追従挙動について検討した。本稿では,車追従動作を速度的に予測するための,データ駆動型知識蒸留ニューラルネットワーク(KDNN)モデルを提案する。
論文参考訳（メタデータ） (2024-11-08T14:57:59Z)
Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文参考訳（メタデータ） (2024-04-30T23:18:51Z)
MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文参考訳（メタデータ） (2023-10-08T21:32:30Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文参考訳（メタデータ） (2022-09-29T01:30:34Z)
Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks [0.0]
本研究では,エゴレーンで発生する潜在的に危険なカットイン動作を予測する手法を提案する。我々は、1台の車載RGBカメラのみを使用するコンピュータビジョンベースのアプローチに従う。本アルゴリズムは,CNNに基づく車両検出・追跡ステップとLSTMに基づく操縦分類ステップから構成される。
論文参考訳（メタデータ） (2022-03-21T02:30:36Z)
Automatic Extraction of Road Networks from Satellite Images by using Adaptive Structural Deep Belief Network [0.0]
本研究では,ロードトラッカーと呼ばれる道路網の自動認識手法に適用する。 RoadTracerは航空写真データから地上の道路地図を生成することができる。精度と計算時間を改善するため,我々のAdaptive DBNはCNNの代わりにRoadTracer上に実装された。
論文参考訳（メタデータ） (2021-10-25T07:06:10Z)
How to Build a Curb Dataset with LiDAR Data for Autonomous Driving [11.632427050596728]
ビデオカメラと3D LiDARは、検出を抑えるために自動運転車に搭載されている。カメラベースストレッチ検出手法は、難解な照明条件に悩まされる。テンプレートアノテーションや効率的なテンプレートラベリングアプローチを備えたデータセットは、要求が高い。
論文参考訳（メタデータ） (2021-10-08T08:32:37Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文参考訳（メタデータ） (2021-06-21T13:55:57Z)
Traffic Lane Detection using FCN [0.0]
車線検出は、自動運転車が都市部の複数車線走行環境に適切に配置できるようにする重要な技術だ。本プロジェクトでは,車線検出のための畳み込みデコーダであるFully Convolutional Networkを設計した。このモデルを実世界の大規模データセットに適用し,ベースラインモデルを上回る精度を達成した。
論文参考訳（メタデータ） (2020-04-19T22:25:12Z)

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。