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
- Application of Segment Anything Model for Civil Infrastructure Defect
Assessment [0.2936007114555107]
本研究では,コンクリート構造物のひび割れ検出のための2つの深層学習モデルSAMとU-Netの性能評価を行う。
その結果, それぞれのモデルには, 異なる種類のひび割れを検知する独自の強度と限界があることが示唆された。
論文 参考訳(メタデータ) (2023-04-25T06:17:44Z) - 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) - CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of
Adversarial Robustness of Vision Models [61.68061613161187]
本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。
このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。
本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
論文 参考訳(メタデータ) (2022-06-09T09:17:38Z) - 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) - 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 Learning Frameworks for Pavement Distress Classification: A
Comparative Analysis [2.752817022620644]
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。
論文 参考訳(メタデータ) (2020-10-21T00:26:59Z) - 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。