論文の概要: Road Damage Detection using Deep Ensemble Learning

• arxiv url: http://arxiv.org/abs/2011.00728v1
• Date: Fri, 30 Oct 2020 03:18:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 16:29:39.665338
• Title: Road Damage Detection using Deep Ensemble Learning
• Title（参考訳）: 深層学習を用いた道路損傷検出
• Authors: Keval Doshi, Yasin Yilmaz
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 36.24563211765782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road damage detection is critical for the maintenance of a road, which traditionally has been performed using expensive high-performance sensors. With the recent advances in technology, especially in computer vision, it is now possible to detect and categorize different types of road damages, which can facilitate efficient maintenance and resource management. In this work, we present an ensemble model for efficient detection and classification of road damages, which we have submitted to the IEEE BigData Cup Challenge 2020. Our solution utilizes a state-of-the-art object detector known as You Only Look Once (YOLO-v4), which is trained on images of various types of road damages from Czech, Japan and India. Our ensemble approach was extensively tested with several different model versions and it was able to achieve an F1 score of 0.628 on the test 1 dataset and 0.6358 on the test 2 dataset.
• Abstract（参考訳）: 道路の損傷検出は、伝統的に高価な高性能センサーを使用して行われている道路の維持に不可欠である。 近年の技術の進歩、特にコンピュータビジョンでは、様々な種類の道路損傷を検出して分類することが可能となり、効率的な保守と資源管理が容易になった。 本稿では,IEEE BigData Cup Challenge 2020に提出した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。 you only look once (yolo-v4) と呼ばれる最先端の物体検出装置を使用し、チェコ、日本、インドからの様々な道路損傷の画像を訓練している。 我々のアンサンブルアプローチは、いくつかの異なるモデルバージョンで広範囲にテストされ、テスト1データセットで0.628、テスト2データセットで0.6358のスコアを達成できた。

関連論文リスト

• Road Damages Detection and Classification with YOLOv7 [0.0]
  本研究は,Googleストリートビューを用いて道路被害データを収集,ラベル付けし,YOLOv7(You Only Look Once Version 7)を使用することを提案する。 提案手法は,クラウドセンシングによる道路被害検出チャレンジ (CRDDC2022, IEEE BigData 2022) に適用される。
  論文  参考訳（メタデータ） (2022-10-31T18:55:58Z)
• Perspective Aware Road Obstacle Detection [104.57322421897769]
  道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。 画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。 次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
  論文  参考訳（メタデータ） (2022-10-04T17:48:42Z)
• Road Rutting Detection using Deep Learning on Images [0.0]
  道路ラッティングは、道路の早期かつコストのかかる保守コストの早期の故障を引き起こす深刻な道路難題である。 本稿では,949個の画像からなる新しい道路ラッティングデータセットを提案し,オブジェクトレベルのアノテーションとピクセルレベルのアノテーションを提供する。 オブジェクト検出モデルとセマンティックセグメンテーションモデルは,提案したデータセット上での道路変動を検出するためにデプロイされた。
  論文  参考訳（メタデータ） (2022-09-28T16:53:05Z)
• RDD2022: A multi-national image dataset for automatic Road Damage Detection [0.0]
  このデータセットは、日本、インド、チェコ、ノルウェー、米国、中国6カ国の道路画像47,420枚で構成されている。 本データセットでは, 縦断裂, 横断裂, アリゲータ亀裂, ポットホールの4種類の道路損傷を捉えた。 このデータセットは、クラウドセンシングに基づく道路被害検出チャレンジ(CRDDC2022)の一部としてリリースされた。
  論文  参考訳（メタデータ） (2022-09-18T11:29:49Z)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• 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)
• 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)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• Road Damage Detection and Classification with Detectron2 and Faster R-CNN [0.0]
  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。
  論文  参考訳（メタデータ） (2020-10-28T14:53:17Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)

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。