Fugu-MT 論文翻訳(概要): Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis

論文の概要: Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis

arxiv url: http://arxiv.org/abs/2010.10681v2
Date: Sun, 29 Nov 2020 19:57:06 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 00:18:55.360869
Title: Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis
Title（参考訳）: 舗装難易度分類のための深層学習フレームワーク--比較分析
Authors: Vishal Mandal, Abdul Rashid Mussah, Yaw Adu-Gyamfi
Abstract要約: 本研究では,舗装の苦痛を検知し,特徴付けるための最先端のディープラーニングアルゴリズムをデプロイする。モデルは、日本、チェコ、インドの都市部や農村部で撮影された21,041枚の画像を用いて訓練された。最高のパフォーマンスモデルは、IEEE Global Road Damage Detection Challengeがリリースした2つのテストデータセットで、F1スコアの0.58と0.57を達成した。
参考スコア（独自算出の注目度）: 2.752817022620644
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatic detection and classification of pavement distresses is critical in timely maintaining and rehabilitating pavement surfaces. With the evolution of deep learning and high performance computing, the feasibility of vision-based pavement defect assessments has significantly improved. In this study, the authors deploy state-of-the-art deep learning algorithms based on different network backbones to detect and characterize pavement distresses. The influence of different backbone models such as CSPDarknet53, Hourglass-104 and EfficientNet were studied to evaluate their classification performance. The models were trained using 21,041 images captured across urban and rural streets of Japan, Czech Republic and India. Finally, the models were assessed based on their ability to predict and classify distresses, and tested using F1 score obtained from the statistical precision and recall values. The best performing model achieved an F1 score of 0.58 and 0.57 on two test datasets released by the IEEE Global Road Damage Detection Challenge. The source code including the trained models are made available at [1].
Abstract（参考訳）: 舗装面の自動検出と分類は, 舗装面の経時的維持・修復に重要である。ディープラーニングとハイパフォーマンスコンピューティングの進化により、視覚に基づく舗装欠陥評価の実現性は大幅に向上した。本研究では,異なるネットワークのバックボーンをベースとした最先端のディープラーニングアルゴリズムをデプロイし,舗装障害の検出と特徴付けを行う。 cspdarknet53, hourglass-104, efficientnetなどの異なるバックボーンモデルの影響について検討した。モデルは、日本、チェコ、インドの都市部および農村部で撮影された21,041枚の画像を用いて訓練された。最後に, 予測・分類能力に基づいてモデルを評価し, 統計的精度とリコール値から得られたf1スコアを用いて評価した。最高のパフォーマンスモデルは、IEEE Global Road Damage Detection Challengeがリリースした2つのテストデータセットでF1スコア0.58と0.57を達成した。トレーニングされたモデルを含むソースコードは[1]で利用可能である。

関連論文リスト

Textile Anomaly Detection: Evaluation of the State-of-the-Art for Automated Quality Inspection of Carpet [0.0]
羊毛カーペットの自動検査を目的として,最先端の教師なし検出モデルを評価した。 4種類の独自のカーペットテクスチャのカスタムデータセットが作成され、モデルを徹底的にテストした。本研究の重要度は,異常領域の検出精度,誤検出回数,実時間における各モデルの推測時間である。
論文参考訳（メタデータ） (2024-07-26T01:13:59Z)
Revisiting the Performance of Deep Learning-Based Vulnerability Detection on Realistic Datasets [4.385369356819613]
本稿では,脆弱性検出モデルを評価するための実世界のシナリオを表すデータセットであるReal-Vulを紹介する。 DeepWukong、LineVul、ReVeal、IVDetectの評価では、パフォーマンスが大幅に低下し、精度は95パーセントまで低下し、F1スコアは91ポイントまで低下した。オーバーフィッティングは重要な問題として認識され、改善手法が提案され、パフォーマンスが最大30%向上する可能性がある。
論文参考訳（メタデータ） (2024-07-03T13:34:30Z)
The Languini Kitchen: Enabling Language Modelling Research at Different Scales of Compute [66.84421705029624]
本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
論文参考訳（メタデータ） (2023-09-20T10:31:17Z)
A Comprehensive Evaluation and Analysis Study for Chinese Spelling Check [53.152011258252315]
音声とグラフィックの情報を合理的に使用することは,中国語のスペルチェックに有効であることを示す。モデルはテストセットのエラー分布に敏感であり、モデルの欠点を反映している。一般的なベンチマークであるSIGHANは、モデルの性能を確実に評価できない。
論文参考訳（メタデータ） (2023-07-25T17:02:38Z)
Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文参考訳（メタデータ） (2023-06-13T12:43:59Z)
CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
論文参考訳（メタデータ） (2022-06-29T15:22:01Z)
Collision Detection: An Improved Deep Learning Approach Using SENet and ResNext [6.736699393205048]
本稿では,SENetブロックを用いたResNextアーキテクチャを用いたディープラーニングモデルを提案する。提案モデルでは, GTACrash 合成データの有意に少ない比率で, ROC-AUC 0.91 を達成する既存のベースラインモデルよりも優れていた。
論文参考訳（メタデータ） (2022-01-13T02:10:14Z)
Evaluation and Comparison of Deep Learning Methods for Pavement Crack Identification with Visual Images [0.0]
ディープラーニングアルゴリズムによる視覚画像による舗装き裂の識別は、検出対象の材料によって制限されないという利点がある。パッチサンプル分類の面では、細調整されたTLモデルはEDモデルと精度で同等またはわずかに良い。正確なクラック位置の面では、EDアルゴリズムとGANアルゴリズムの両方がピクセルレベルのセグメンテーションを達成でき、低演算パワープラットフォーム上でリアルタイムに検出されることが期待できる。
論文参考訳（メタデータ） (2021-12-20T08:23:43Z)
Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文参考訳（メタデータ） (2021-05-14T10:05:10Z)
Evaluation Toolkit For Robustness Testing Of Automatic Essay Scoring Systems [64.4896118325552]
モデル逆算評価スキームと関連するメトリクスを用いて、現状のAESモデルを評価する。 AESモデルは非常に過大評価されていることがわかった。質問の話題に関係のない内容の重い修正(25%まで)でさえ、モデルが生み出すスコアを低下させることはない。
論文参考訳（メタデータ） (2020-07-14T03:49:43Z)
Deep Machine Learning Approach to Develop a New Asphalt Pavement Condition Index [0.0]
近年、ディープラーニングの進歩により、先例のない精度で舗装画像を分析するための堅牢なツールが開発されている。ディープラーニングモデルは大きな真実データセットを必要とするが、舗装現場ではアクセスできないことが多い。本研究では,より堅牢で容易に配置可能な舗装条件評価システムに向けた第一歩として,ラベル付き舗装データセットを提示した前回の研究をレビューした。
論文参考訳（メタデータ） (2020-04-28T05:57:43Z)

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。