論文の概要: An Efficient and Scalable Deep Learning Approach for Road Damage Detection

• arxiv url: http://arxiv.org/abs/2011.09577v3
• Date: Thu, 17 Dec 2020 17:58:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 04:39:45.572737
• Title: An Efficient and Scalable Deep Learning Approach for Road Damage Detection
• Title（参考訳）: 道路損傷検出のための効率的かつスケーラブルな深層学習手法
• Authors: Sadra Naddaf-Sh, M-Mahdi Naddaf-Sh, Amir R. Kashani and Hassan Zargarzadeh
• Abstract要約: 本稿では,画像に基づく苦難データをリアルタイムに分析するためのディープラーニングに基づくサーベイ手法を提案する。 縦ひび割れ,横ひび割れ,アリゲーターひび割れなど,ひび割れの多種多様な種類からなるデータベースを用いる。 提案されたモデルでは、F1スコアは52%から56%まで、平均推測時間は毎秒178-10枚だった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pavement condition evaluation is essential to time the preventative or rehabilitative actions and control distress propagation. Failing to conduct timely evaluations can lead to severe structural and financial loss of the infrastructure and complete reconstructions. Automated computer-aided surveying measures can provide a database of road damage patterns and their locations. This database can be utilized for timely road repairs to gain the minimum cost of maintenance and the asphalt's maximum durability. This paper introduces a deep learning-based surveying scheme to analyze the image-based distress data in real-time. A database consisting of a diverse population of crack distress types such as longitudinal, transverse, and alligator cracks, photographed using mobile-device is used. Then, a family of efficient and scalable models that are tuned for pavement crack detection is trained, and various augmentation policies are explored. Proposed models, resulted in F1-scores, ranging from 52% to 56%, and average inference time from 178-10 images per second. Finally, the performance of the object detectors are examined, and error analysis is reported against various images. The source code is available at https://github.com/mahdi65/roadDamageDetection2020.
• Abstract（参考訳）: 舗装条件の評価は予防的又はリハビリテーション的行動の時間と救難伝播の制御に不可欠である。 タイムリーな評価ができないと、インフラの深刻な構造的・財政的損失と完全な再建につながる可能性がある。 自動コンピュータ支援測量手法は、道路損傷パターンとその位置のデータベースを提供することができる。 このデータベースは、メンテナンスの最小コストとアスファルトの最大耐久性を得るために、タイムリーな道路修理に利用できる。 本稿では,画像に基づく難易度データをリアルタイムに解析する深層学習に基づく調査手法を提案する。 携帯端末を用いて撮影した縦・横・アリゲータ亀裂などの亀裂の多様な集団からなるデータベースを用いる。 次に、舗装き裂検出用に調整された効率的でスケーラブルなモデル群を訓練し、様々な補強策を検討する。 提案されたモデルでは、F1スコアは52%から56%まで、平均推測時間は毎秒178-10枚だった。 最後に、物体検出器の性能を調べ、様々な画像に対して誤差解析を報告する。 ソースコードはhttps://github.com/mahdi65/roaddamagedetection2020で入手できる。

関連論文リスト

• Crack Detection in Infrastructure Using Transfer Learning, Spatial Attention, and Genetic Algorithm Optimization [3.1687473999848836]
  亀裂検出は、道路、橋、建物などのインフラの維持と安全性において重要な役割を担っている。 伝統的に手動検査が標準であったが、労働集約的で主観的で危険である。 本稿では, 深層学習, 移動学習, 空間的注意機構, 遺伝的アルゴリズム(GA)最適化を活用した, インフラのひび割れ検出のための高度な手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T06:12:56Z)
• Segmentation tool for images of cracks [0.16492989697868887]
  本稿では,画像上のひび割れを手動で分割しやすくする半自動き裂分割ツールを提案する。 また、ひび割れの形状を測定するためにも用いられる。 提案手法は完全自動手法より優れており,手動データアノテーションの適切な代替となる可能性を示している。
  論文  参考訳（メタデータ） (2024-03-28T15:23:52Z)
• One-class Damage Detector Using Deeper Fully-Convolutional Data Descriptions for Civil Application [0.0]
  モデルパラメータを最適化するために、通常の画像を使用することができる点において、一級損傷検出アプローチには利点がある。 本稿では,FCDDをベースラインモデルとして再現した一級損傷検出の汎用アプリケーションを提案する。
  論文  参考訳（メタデータ） (2023-03-03T06:27:15Z)
• Self-Supervised Learning for Building Damage Assessment from Large-scale xBD Satellite Imagery Benchmark Datasets [3.2248805768155826]
  本稿では,ラベル付きデータを必要としない自己教師付き比較学習手法を提案する。 我々は、新しい非対称なツインネットワークアーキテクチャを構築し、その性能をxBDデータセット上で検証した。
  論文  参考訳（メタデータ） (2022-05-31T11:08:35Z)
• Predicting Seriousness of Injury in a Traffic Accident: A New Imbalanced Dataset and Benchmark [62.997667081978825]
  本稿では,交通事故における傷害の重大性を予測するために,機械学習アルゴリズムの性能を評価する新しいデータセットを提案する。 データセットは、英国運輸省から公開されているデータセットを集約することで作成される。
  論文  参考訳（メタデータ） (2022-05-20T21:15:26Z)
• Data augmentation for deep learning based accelerated MRI reconstruction with limited data [46.44703053411933]
  ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。 最先端のパフォーマンスを達成するためには、大規模で多様な画像集合の訓練が重要であると考えられる。 本稿では,MRI画像再構成の高速化のためのデータ拡張のためのパイプラインを提案し,必要なトレーニングデータを削減する上での有効性について検討する。
  論文  参考訳（メタデータ） (2021-06-28T19:08:46Z)
• Deep Learning Methods For Synthetic Aperture Radar Image Despeckling: An Overview Of Trends And Perspectives [45.87348004985991]
  このようなノイズを除去し、下流の画像処理タスクの精度を向上させるために、デスペクリングは重要なタスクである。 本稿では,sarデスペックリングに適用する深層学習手法に関する文献を調査し,教師ありアプローチと近年の自己教師ありアプローチの両方をカバーする。
  論文  参考訳（メタデータ） (2020-12-10T08:30:43Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• 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)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。