Fugu-MT 論文翻訳(概要): Non-Compression Auto-Encoder for Detecting Road Surface Abnormality via Vehicle Driving Noise

論文の概要: Non-Compression Auto-Encoder for Detecting Road Surface Abnormality via Vehicle Driving Noise

arxiv url: http://arxiv.org/abs/2103.12992v1
Date: Wed, 24 Mar 2021 05:13:50 GMT
ステータス: 処理完了
システム内更新日: 2021-03-25 14:01:29.914587
Title: Non-Compression Auto-Encoder for Detecting Road Surface Abnormality via Vehicle Driving Noise
Title（参考訳）: 自動車走行騒音による路面異常検出のための非圧縮オートエンコーダ
Authors: YeongHyeon Park and JongHee Jung
Abstract要約: 道路事故は、滑走抵抗を減少させるため、濡れた道路によって引き起こされることがある。道路事故を防ぐために、路面異常を検出することができます。非圧縮オートエンコーダ(NCAE)を用いたディープラーニングに基づくコスト効率の高いリアルタイム異常検出アーキテクチャを提案する。
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: Road accident can be triggered by wet road because it decreases skid resistance. To prevent the road accident, detecting road surface abnomality can be helpful. In this paper, we propose the deep learning based cost-effective real-time anomaly detection architecture, naming with non-compression auto-encoder (NCAE). The proposed architecture can reflect forward and backward causality of time series information via convolution operation. Moreover, the above architecture shows higher anomaly detection performance of published anomaly detection model via experiments. We conclude that NCAE is a cutting-edge model for road surface anomaly detection.
Abstract（参考訳）: 道路事故は湿った道路によって引き起こされることがある。道路事故を防止するため、路面無作為性の検出が有効である。本稿では,非圧縮オートエンコーダ(NCAE)を用いたディープラーニングに基づくコスト効率の高いリアルタイム異常検出アーキテクチャを提案する。提案するアーキテクチャは畳み込み操作による時系列情報の前方および後方因果関係を反映する。さらに,上記のアーキテクチャは,公開異常検出モデルの実験による高い異常検出性能を示す。 NCAEは道路表面異常検出のための最先端モデルである。

関連論文リスト

Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
論文参考訳（メタデータ） (2024-08-15T00:51:48Z)
Smart City Transportation: Deep Learning Ensemble Approach for Traffic Accident Detection [0.0]
本稿では,スマートシティ交通監視システムにおける事故検出に適した軽量ソリューションであるI3D-CONVLSTM2Dモデルアーキテクチャを提案する。 I3D-CONVLSTM2D RGB + Optical-Flow (Trainable) モデルでは, 平均精度が87%, 平均精度が87%であった。我々の研究は、スマート都市インフラ内のエッジIoTデバイスへのリアルタイム統合を前提とした、高度な視覚ベースの事故検出システムへの道筋を照らしている。
論文参考訳（メタデータ） (2023-10-16T03:47:08Z)
An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文参考訳（メタデータ） (2022-09-20T15:18:13Z)
Efficient Non-Compression Auto-Encoder for Driving Noise-based Road Surface Anomaly Detection [0.0]
本稿では,より少ない計算資源と高い異常検出性能を実現するために,畳み込み型自動エンコーダを用いた異常検出モデルを提案する。その結果、従来のモデルに比べてニューラルネットワークの計算コストは最大1/25に削減され、異常検出性能は最大7.72%向上した。
論文参考訳（メタデータ） (2021-11-22T04:59:45Z)
Self-Supervised Predictive Convolutional Attentive Block for Anomaly Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文参考訳（メタデータ） (2021-11-17T13:30:31Z)
Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文参考訳（メタデータ） (2021-10-20T06:15:45Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
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)
Automotive Radar Interference Mitigation with Unfolded Robust PCA based on Residual Overcomplete Auto-Encoder Blocks [88.46770122522697]
自律走行では、レーダーシステムは道路上の他の車両のような標的を検出する上で重要な役割を果たす。自動車用レーダー干渉緩和のための深層学習手法は、目標の振幅を確実に推定できるが、それぞれの目標の位相を回復できない。干渉の有無で振幅と位相の両方を推定できる効率的かつ効率的な手法を提案する。
論文参考訳（メタデータ） (2020-10-14T09:41:06Z)
Anomalous Motion Detection on Highway Using Deep Learning [14.617786106427834]
本稿では,新しい異常検出データセットであるハイウェイ交通異常(HTA)データセットを提案する。我々は、最先端のディープラーニング異常検出モデルを評価し、これらの手法に新しいバリエーションを提案する。
論文参考訳（メタデータ） (2020-06-15T05:40:11Z)
Unsupervised Pixel-level Road Defect Detection via Adversarial Image-to-Frequency Transform [8.644679871804872]
本稿では,AIFT(Adversarial Image-to-Frequency Transform)を用いた道路欠陥検出のための教師なし手法を提案する。 AIFTは、欠陥検出モデルの導出において、教師なしの方法と敵対的な学習を採用するため、道路舗装欠陥に対するアノテーションは不要である。
論文参考訳（メタデータ） (2020-01-30T04:50:00Z)

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。