論文の概要: Regression on Deep Visual Features using Artificial Neural Networks
(ANNs) to Predict Hydraulic Blockage at Culverts
- arxiv url: http://arxiv.org/abs/2105.03233v1
- Date: Sun, 25 Apr 2021 14:58:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 10:53:43.285956
- Title: Regression on Deep Visual Features using Artificial Neural Networks
(ANNs) to Predict Hydraulic Blockage at Culverts
- Title（参考訳）: ニューラルネットワーク(anns)を用いたカルバートの水圧閉塞予測のための深部視覚特徴の回帰
- Authors: Umair Iqbal, Johan Barthelemy, Wanqing Li and Pascal Perez
- Abstract要約: 都市景観における横断排水水理構造物(例えばカルバート、ブリッジ)は、輸送された破片によってブロックされやすく、しばしばフラッシュフラッドを引き起こす。
本稿では,カルバートにおける水圧閉塞の予測における深い視覚特徴の利用を提案する。
入力として変換のイメージを取得し、ディープラーニングモデルを使用して視覚的特徴を抽出し、視覚的特徴を前処理し、回帰モデルにフィードし、対応する油圧閉塞を予測する。
- 参考スコア（独自算出の注目度）: 11.532200478443773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross drainage hydraulic structures (i.e., culverts, bridges) in urban
landscapes are prone to getting blocked by transported debris which often
results in causing the flash floods. In context of Australia, Wollongong City
Council (WCC) blockage conduit policy is the only formal guideline to consider
blockage in design process. However, many argue that this policy is based on
the post floods visual inspections and hence can not be considered accurate
representation of hydraulic blockage. As a result of this on-going debate,
visual blockage and hydraulic blockage are considered two distinct terms with
no established quantifiable relation among both. This paper attempts to relate
both terms by proposing the use of deep visual features for prediction of
hydraulic blockage at a given culvert. An end-to-end machine learning pipeline
is propounded which takes an image of culvert as input, extract visual features
using deep learning models, pre-process the visual features and feed into
regression model to predict the corresponding hydraulic blockage. Dataset
(i.e., Hydrology-Lab Dataset (HD), Visual Hydrology-Lab Dataset (VHD)) used in
this research was collected from in-lab experiments carried out using scaled
physical models of culverts where multiple blockage scenarios were replicated
at scale. Performance of regression models was assessed using standard
evaluation metrics. Furthermore, performance of overall machine learning
pipeline was assessed in terms of processing times for relative comparison of
models and hardware requirement analysis. From the results ANN used with
MobileNet extracted visual features achieved the best regression performance
with $R^{2}$ score of 0.7855. Positive value of $R^{2}$ score indicated the
presence of correlation between visual features and hydraulic blockage and
suggested that both can be interrelated with each other.
- Abstract（参考訳）: 都市景観における横断排水水理構造物(例えばカルバート、ブリッジ)は、輸送された破片によってブロックされやすく、しばしばフラッシュフラッドを引き起こす。
オーストラリアでは、Wollongong City Council (WCC) のブロック・コンジット・ポリシーが、設計プロセスにおけるブロックを考慮に入れた唯一の公式ガイドラインである。
しかし、この方針は洪水後の視覚検査に基づいており、水圧遮断の正確な表現とは考えられないという意見も多い。
この議論の結果として、視覚的遮断と水理的遮断は、両者の間に確立された定量的な関係を持たない2つの異なる用語と見なされる。
本稿では, 油圧遮断の予測に深い視覚的特徴を用いることにより, 両項を関連づけることを試みる。
入力として変換のイメージを取得し、ディープラーニングモデルを使用して視覚的特徴を抽出し、視覚的特徴を前処理し、回帰モデルにフィードし、対応する油圧閉塞を予測する。
本研究で使用したデータセット(Hydrology-Lab Dataset (HD), Visual Hydrology-Lab Dataset (VHD))は, 複数のブロックシナリオを大規模に再現した変圧器のスケールされた物理モデルを用いて実験した。
回帰モデルの性能は標準評価指標を用いて評価した。
さらに、モデルとハードウェア要求分析の相対比較の処理時間の観点から、全体的な機械学習パイプラインの性能を評価した。
MobileNetで使用したANNによる視覚的特徴抽出は,R^{2}$スコア0.7855で最高の回帰性能を達成した。
R^{2}$スコアの正の値は、視覚特徴と油圧遮断の相関の存在を示し、両者が相互に関連があることを示唆した。
関連論文リスト
- TransGlow: Attention-augmented Transduction model based on Graph Neural
Networks for Water Flow Forecasting [4.915744683251151]
水量の水量予測は、水管理、洪水予測、洪水制御など様々な用途に有用である。
本稿では,GCRN(Graph Convolution Recurrent Neural Network)エンコーダデコーダの隠れ状態を増大させる時間予測モデルを提案する。
本稿では,河川,河川,湖上のカナダステーションのネットワークから,新たな水流のベンチマークデータセットを提案する。
論文 参考訳（メタデータ） (2023-12-10T18:23:40Z) - Graph Neural Networks for Pressure Estimation in Water Distribution
Systems [44.99833362998488]
水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。
物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。
我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
論文 参考訳（メタデータ） (2023-11-17T15:30:12Z) - A Geometrical Approach to Evaluate the Adversarial Robustness of Deep
Neural Networks [52.09243852066406]
対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。
我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
論文 参考訳（メタデータ） (2023-10-10T09:39:38Z) - Uncovering the Hidden Cost of Model Compression [49.937417635812025]
視覚プロンプティング (VP) はコンピュータビジョンにおいて重要な伝達学習手法として登場した。
モデル間隔は視覚的プロンプトベース転送の性能に悪影響を及ぼす。
以上の結果から,疎度が下流視覚刺激モデルの校正に及ぼす影響が示唆された。
論文 参考訳（メタデータ） (2023-08-29T01:47:49Z) - Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。
近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。
洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-29T22:49:50Z) - SM/VIO: Robust Underwater State Estimation Switching Between Model-based
and Visual Inertial Odometry [1.9785872350085876]
本稿では,水中操作における視覚慣性状態推定のロバスト性問題に対処する。
提案手法では,ロボットの運動学モデルと固有感覚センサを用いてポーズ推定を行う。
ヘルスモニタリングは、2つの推定器間のタイムリーな切り替えを保証するVIOプロセスを追跡する。
論文 参考訳（メタデータ） (2023-04-04T17:46:20Z) - Interpretable Water Level Forecaster with Spatiotemporal Causal
Attention Mechanisms [0.0]
本研究は,先行知識に基づく因果関係を利用したトランスフォーマーを用いたニューラルテンポラルモデルを提案する。
2016年のHan Riverデータセットを2021と比較し、私たちのモデルが事前の知識と解釈可能で一貫性のあるモデルを提供することを確認した。
論文 参考訳（メタデータ） (2023-02-28T04:37:26Z) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳（メタデータ） (2023-02-20T16:08:54Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-04T18:03:31Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - Prediction of Hydraulic Blockage at Cross Drainage Structures using
Regression Analysis [11.532200478443773]
本稿では,水理ブロックの予測に機械学習回帰分析を用いることを提案する。
スマートシティにおける油圧センサの展開とビッグデータの利用により、回帰分析はブロック検出問題に対処する上で有効であることが証明される。
論文 参考訳（メタデータ） (2021-03-06T04:15:25Z)
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。