論文の概要: Road Damage Detection and Classification with Detectron2 and Faster R-CNN

• arxiv url: http://arxiv.org/abs/2010.15021v1
• Date: Wed, 28 Oct 2020 14:53:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 05:39:12.764295
• Title: Road Damage Detection and Classification with Detectron2 and Faster R-CNN
• Title（参考訳）: Detectron2と高速R-CNNによる道路損傷検出と分類
• Authors: Vung Pham, Chau Pham, and Tommy Dang
• Abstract要約: 我々は,異なるベースモデルと構成を用いて,より高速なR-CNNの実装を評価する。 我々はまた、これらのアプローチを、IEEE Big Data 2020 Big Data Cup ChallengeデータセットのトラックであるGlobal Road Damage Detection Challenge 2020を用いて実験した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The road is vital for many aspects of life, and road maintenance is crucial for human safety. One of the critical tasks to allow timely repair of road damages is to quickly and efficiently detect and classify them. This work details the strategies and experiments evaluated for these tasks. Specifically, we evaluate Detectron2's implementation of Faster R-CNN using different base models and configurations. We also experiment with these approaches using the Global Road Damage Detection Challenge 2020, A Track in the IEEE Big Data 2020 Big Data Cup Challenge dataset. The results show that the X101-FPN base model for Faster R-CNN with Detectron2's default configurations are efficient and general enough to be transferable to different countries in this challenge. This approach results in F1 scores of 51.0% and 51.4% for the test1 and test2 sets of the challenge, respectively. Though the visualizations show good prediction results, the F1 scores are low. Therefore, we also evaluate the prediction results against the existing annotations and discover some discrepancies. Thus, we also suggest strategies to improve the labeling process for this dataset.
• Abstract（参考訳）: 道路は生活の多くの面において不可欠であり、道路維持は人間の安全にとって不可欠である。 道路損傷のタイムリーな修復を可能にする重要なタスクの1つは、それらを迅速かつ効率的に検出し分類することである。 この研究は、これらのタスクで評価された戦略と実験について詳述する。 具体的には,異なるベースモデルと構成を用いた高速R-CNNの実装について評価する。 我々はまた、これらのアプローチを、IEEE Big Data 2020 Big Data Cup ChallengeデータセットのトラックであるGlobal Road Damage Detection Challenge 2020を用いて実験した。 その結果,Tectron2のデフォルト構成を持つ高速R-CNN用のX101-FPNベースモデルは,この課題において,様々な国に転送できるほど効率的かつ汎用的であることがわかった。 このアプローチでは、テスト1とテスト2のそれぞれ51.0%と51.4%のf1スコアが得られる。 視覚化は良い予測結果を示すが、F1スコアは低い。 また,既存のアノテーションに対する予測結果を評価し,いくつかの相違点を見出す。 したがって、このデータセットのラベル付けプロセスを改善するための戦略も提案する。

関連論文リスト

• DiRecNetV2: A Transformer-Enhanced Network for Aerial Disaster Recognition [4.678150356894011]
  災害評価における航空画像処理のための人工知能(AI)モデルと無人航空機の統合には、例外的な精度、計算効率、リアルタイム処理能力が必要である。 伝統的に、畳み込みニューラルネットワーク(CNN)は局所的特徴抽出の効率を示すが、大域的文脈解釈の可能性によって制限される。 視覚変換器(ViT)は、注意機構を用いることで、グローバルな文脈解釈の改善を約束するが、それでもUAVベースの災害対応アプリケーションでは未検討である。
  論文  参考訳（メタデータ） (2024-10-17T15:25:13Z)
• TrackFormers: In Search of Transformer-Based Particle Tracking for the High-Luminosity LHC Era [2.9052912091435923]
  高エネルギー物理実験は、新しいイテレーション毎に複数倍のデータの増加に直面している。 このようなオーバーホールが必要なステップの1つは、粒子トラックの再構築、すなわち追跡のタスクである。 機械学習支援ソリューションは、大幅な改善が期待されている。
  論文  参考訳（メタデータ） (2024-07-09T18:47:25Z)
• Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods [3.3373764108905446]
  本研究は,交通事故の期間を予測し,短期・長期に分類するための包括的アプローチを提案する。 我々は、Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM、XGBoostなどの先進的な機械学習モデルをトレーニングし、評価する。 XGBoostとLightGBMは従来のモデルよりも優れており、XGBoostはインシデント期間を予測するための最低RMSEが33.7で、最高分類F1スコアが30分間の閾値で0.62である。
  論文  参考訳（メタデータ） (2024-06-27T03:16:09Z)
• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls and New Benchmarking [66.83273589348758]
  リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。 近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。 これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
  論文  参考訳（メタデータ） (2023-06-18T01:58:59Z)
• Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
  ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。 これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。 本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
  論文  参考訳（メタデータ） (2022-07-29T22:35:05Z)
• Oriented R-CNN for Object Detection [61.78746189807462]
  本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。 第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。 第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
  論文  参考訳（メタデータ） (2021-08-12T12:47:43Z)
• CNN Model & Tuning for Global Road Damage Detection [0.0]
  オブジェクト検出のためのシングルステージおよびマルチステージネットワークアーキテクチャを評価する。 チェコ、インド、日本のスマートフォンカメラを用いた道路被害訓練データセットのデータ準備について述べる。 Resnet-50 と ResnetCSP-101 のバックボーンを持つ多段高速 R-CNN モデルを用いて,Test2 の 0.542 と Test1 の 0.536 の平均 F1 スコアを示す。
  論文  参考訳（メタデータ） (2021-03-17T09:01:23Z)
• Road Damage Detection using Deep Ensemble Learning [36.24563211765782]
  道路損傷の効率的な検出と分類のためのアンサンブルモデルを提案する。 我々のソリューションは、You Only Look Once (YOLO-v4)として知られる最先端の物体検出器を利用する。 テスト1データセットでF1スコアが0.628、テスト2データセットで0.6358に達した。
  論文  参考訳（メタデータ） (2020-10-30T03:18:14Z)
• Targeted Physical-World Attention Attack on Deep Learning Models in Road Sign Recognition [79.50450766097686]
  本稿では,現実の道路標識攻撃に対するTAA手法を提案する。 実験の結果,TAA法は攻撃成功率(約10%)を向上し,RP2法と比較して摂動損失(約4分の1)を減少させることがわかった。
  論文  参考訳（メタデータ） (2020-10-09T02:31:34Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)

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。