論文の概要: FasterRCNN Monitoring of Road Damages: Competition and Deployment
- arxiv url: http://arxiv.org/abs/2010.11780v1
- Date: Thu, 22 Oct 2020 14:56:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 06:58:11.631044
- Title: FasterRCNN Monitoring of Road Damages: Competition and Deployment
- Title（参考訳）: 高速RCNNによる道路損傷モニタリングの競争と展開
- Authors: Hascoet Tristan, Yihao Zhang, Persch Andreas, Ryoichi Takashima,
Tetsuya Takiguchi, Yasuo Ariki
- Abstract要約: IEEE 2020 Global Road damage Detection (RDD) Challengeは、ディープラーニングとコンピュータビジョン研究者が関与する機会を提供する。
本稿では,このトピックに対する2つのコントリビューションを提案する。
第2部では、提案手法と課題を解説し、ローカル道路網にモデルを配置する取り組みについて述べる。
- 参考スコア（独自算出の注目度）: 19.95568306575998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Maintaining aging infrastructure is a challenge currently faced by local and
national administrators all around the world. An important prerequisite for
efficient infrastructure maintenance is to continuously monitor (i.e., quantify
the level of safety and reliability) the state of very large structures.
Meanwhile, computer vision has made impressive strides in recent years, mainly
due to successful applications of deep learning models. These novel progresses
are allowing the automation of vision tasks, which were previously impossible
to automate, offering promising possibilities to assist administrators in
optimizing their infrastructure maintenance operations. In this context, the
IEEE 2020 global Road Damage Detection (RDD) Challenge is giving an opportunity
for deep learning and computer vision researchers to get involved and help
accurately track pavement damages on road networks. This paper proposes two
contributions to that topic: In a first part, we detail our solution to the RDD
Challenge. In a second part, we present our efforts in deploying our model on a
local road network, explaining the proposed methodology and encountered
challenges.
- Abstract（参考訳）: 高齢化のインフラを維持することは、現在世界中の地方や国家の管理者が直面している課題である。
効率的なインフラ維持のための重要な前提条件は、非常に大きな構造物の状態を継続的に監視すること(すなわち安全性と信頼性のレベルを定量化する)である。
一方、コンピュータビジョンは近年顕著な進歩を遂げており、主にディープラーニングモデルの応用が成功している。
これらの新たな進歩により、これまで自動化できなかったビジョンタスクの自動化が可能になり、管理者がインフラストラクチャのメンテナンス操作を最適化するのを支援できるようになる。
この文脈において、IEEE 2020グローバルロード障害検出(RDD)チャレンジは、ディープラーニングとコンピュータビジョン研究者が関与し、道路ネットワークの舗装損傷を正確に追跡する機会を提供する。
本稿では,そのトピックに対する2つの貢献を提案する。
第2部では,提案手法を説明し,課題に遭遇した地域道路網へのモデル導入に向けた取り組みについて紹介する。
関連論文リスト
- Intelligent Mobile AI-Generated Content Services via Interactive Prompt Engineering and Dynamic Service Provisioning [55.641299901038316]
AI生成コンテンツは、ネットワークエッジで協調的なMobile AIGC Service Providers(MASP)を編成して、リソース制約のあるユーザにユビキタスでカスタマイズされたコンテンツを提供することができる。
このようなパラダイムは2つの大きな課題に直面している: 1) 生のプロンプトは、ユーザーが特定のAIGCモデルで経験していないために、しばしば生成品質が低下する。
本研究では,Large Language Model (LLM) を利用してカスタマイズしたプロンプトコーパスを生成する対話型プロンプトエンジニアリング機構を開発し,政策模倣に逆強化学習(IRL)を用いる。
論文 参考訳（メタデータ） (2025-02-17T03:05:20Z) - Aquatic Navigation: A Challenging Benchmark for Deep Reinforcement Learning [53.3760591018817]
ゲームエンジンとDeep Reinforcement Learningの統合の最近の進歩を利用して,水上ナビゲーションのための新しいベンチマーク環境を提案する。
具体的には、最も広く受け入れられているアルゴリズムの一つであるPPOに着目し、先進的なトレーニング手法を提案する。
実験により,これらの成分をうまく組み合わせることで,有望な結果が得られることが示された。
論文 参考訳（メタデータ） (2024-05-30T23:20:23Z) - The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。
今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。
競争は15の最高パフォーマンスのソリューションで頂点に達した。
論文 参考訳（メタデータ） (2024-05-14T17:59:57Z) - Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳（メタデータ） (2023-09-23T00:05:39Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - Universal Object Detection with Large Vision Model [79.06618136217142]
本研究は,大規模多領域普遍物体検出問題に焦点をあてる。
これらの課題に対処するために,ラベル処理,階層型設計,資源効率のよいモデルトレーニングを提案する。
本手法は,ロバスト・ビジョン・チャレンジ2022のオブジェクト検出トラックにおいて,優れた2位の地位を確保した。
論文 参考訳（メタデータ） (2022-12-19T12:40:13Z) - AI-Driven Road Maintenance Inspection v2: Reducing Data Dependency &
Quantifying Road Damage [11.052502162865206]
道路インフラの整備検査は、通常、全ての道路利用者の安全を確保するために労働集約的で重要な作業である。
道路損傷検出のためのラベルを生成するために,少数ショット学習やアウト・オブ・ディストリビューション検出といった手法を活用することで,自動ラベリングパイプラインを提案する。
これらの技術で訓練されたAIモデルは、人間のアノテーションの要求を減らした実世界のデータをより一般化するだけでなく、メンテナンスの緊急さを見積もることも示している。
論文 参考訳（メタデータ） (2022-10-07T14:11:27Z) - A Computer Vision-assisted Approach to Automated Real-Time Road
Infrastructure Management [0.0]
そこで本研究では,車両ダッシュボード搭載スマートフォンカメラを用いて,道路災害をリアルタイムに検出・分類するための監視対象検出手法を提案する。
IEEEの2020 Global Road damage Detection (GRDC) Challengeに参加した121チームのトップ5にランクインした。
論文 参考訳（メタデータ） (2022-02-27T04:08:00Z) - AI Driven Road Maintenance Inspection [1.367628810606956]
本稿では,人工知能とコンピュータビジョンの最先端技術を用いて,保守検査サブタスクの相当な部分を自動化する手法を提案する。
提案手法は,物体検出やセマンティックセグメンテーションといった最先端のコンピュータビジョン技術を用いて,主要道路構造物の検査を自動化する。
我々のAIモデルは、主要道路構造物の保守検査を自動化するだけでなく、従来の手動検査と比較して高いリコールをもたらすことを実証している。
論文 参考訳（メタデータ） (2021-06-04T15:59:46Z) - Challenges of engineering safe and secure highly automated vehicles [0.0]
本稿では,安全,安全,信頼性,信頼性の高い高度自動走行車(hav)を実現する上で,まだ克服すべき課題をまとめる。
havを実現する上での4つの課題は、継続的デプロイ後のシステム改善の実現、不確実性と不完全な情報の処理、機械学習コンポーネントによるhavの検証、予測である。
論文 参考訳（メタデータ） (2021-03-05T08:52:31Z) - Learning to run a Power Network Challenge: a Retrospective Analysis [6.442347402316506]
L2RPNの課題は、次世代の電力ネットワークにおける重要な問題に対する強化学習ソリューションの開発を促進することです。
この課題の主な貢献は、提案された包括的なGrid2Opフレームワークと関連するベンチマークです。
ベンチマークスイートを提示し、ベストエージェントによる超人的なパフォーマンス実証を観察し、挑戦の勝利解を解析する。
論文 参考訳（メタデータ） (2021-03-02T09:52:24Z)
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。