論文の概要: Learning to Automatically Catch Potholes in Worldwide Road Scene Images

• arxiv url: http://arxiv.org/abs/2105.07986v2
• Date: Tue, 18 May 2021 07:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 11:14:16.738067
• Title: Learning to Automatically Catch Potholes in Worldwide Road Scene Images
• Title（参考訳）: ワールドワイドロードシーン画像におけるポットホールの自動捕捉学習
• Authors: J. Javier Yebes, David Montero, Ignacio Arriola
• Abstract要約: 実世界の道路シーンの画像からポットホール検出の課題に取り組んだ。 私たちはpotholeアノテーションで画像の大規模なデータセットを構築しました。 次に,高速なr-cnnとssd深層ニューラルネットワークに基づく4種類の物体検出モデルを微調整した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Among several road hazards that are present in any paved way in the world, potholes are one of the most annoying and also involving higher maintenance costs. There exists an increasing interest on the automated detection of these hazards enabled by technological and research progress. Our research work tackled the challenge of pothole detection from images of real world road scenes. The main novelty resides on the application of the latest progress in AI to learn the visual appearance of potholes. We built a large dataset of images with pothole annotations. They contained road scenes from different cities in the world, taken with different cameras, vehicles and viewpoints under varied environmental conditions. Then, we fine-tuned four different object detection models based on Faster R-CNN and SSD deep neural networks. We achieved high average precision and the pothole detector was tested on the Nvidia DrivePX2 platform with GPGPU capability, which can be embedded on vehicles. Moreover, it was deployed on a real vehicle to notify the detected potholes to a given IoT platform as part of AUTOPILOT H2020 project.
• Abstract（参考訳）: 世界中の舗装道路に存在するいくつかの道路の危険の中で、ポットホールは最も厄介なものの1つであり、メンテナンスコストも高い。 技術や研究の進展により、これらの危険を自動的に検出することへの関心が高まっている。 我々の研究は、現実世界の道路シーンの画像から抜け穴を検出するという課題に取り組みました。 主な斬新さは、最新のAIの進歩を応用して、穴の視覚的外観を学ぶことにある。 私たちはpotholeアノテーションで画像の大規模なデータセットを構築しました。 彼らは、様々な環境条件下で異なるカメラ、車両、視点で撮影された世界中の異なる都市の道路シーンを含んでいた。 次に,高速なr-cnnとssd深層ニューラルネットワークに基づく4種類の物体検出モデルを微調整した。 車両に埋め込むことができるGPGPU機能を備えたNvidia DrivePX2プラットフォーム上で,高い平均精度を達成し,ポットホール検出器を試験した。 さらに、AUTOPILOT H2020プロジェクトの一環として、検出されたポットホールを所定のIoTプラットフォームに通知するために、実際の車両にデプロイされた。

関連論文リスト

• VegaEdge: Edge AI Confluence Anomaly Detection for Real-Time Highway IoT-Applications [2.812395851874055]
  車両の異常検出は、事故防止、迅速な応答、交通流の最適化、ワークゾーンの安全など、高速道路の安全用途において重要な役割を担っている。 軌道予測のパワーを利用した車両異常検出への軽量なアプローチを提案する。 私たちは、現代のハイウェイ環境でリアルタイムのセキュリティと監視アプリケーションのために設計された、洗練されたAIコンバレンスであるVegaEdgeを紹介します。
  論文  参考訳（メタデータ） (2023-11-14T03:19:55Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• RoadScan: A Novel and Robust Transfer Learning Framework for Autonomous Pothole Detection in Roads [0.0]
  本研究では,ディープラーニングと画像処理技術を用いた新しいポットホール検出手法を提案する。 このシステムは、道路利用者に重大なリスクをもたらす道路上の穴の致命的な問題に対処することを目的としている。
  論文  参考訳（メタデータ） (2023-08-07T10:47:08Z)
• Drone navigation and license place detection for vehicle location in indoor spaces [55.66423065924684]
  この研究は、駐車中の車両の列を行き来し、ナンバープレートを検出するナノドローンに基づくソリューションを作成することを目的としている。 すべての計算はドローン上でリアルタイムで行われ、2Dマップの作成を可能にする位置と検出された画像が送信される。
  論文  参考訳（メタデータ） (2023-07-19T17:46:55Z)
• Surround-view Fisheye Camera Perception for Automated Driving: Overview, Survey and Challenges [1.4452405977630436]
  車両4面の4つの魚眼カメラは、車両の周囲を360度で覆うのに十分である。 主な用途は、自動駐車、交通渋滞支援、都市運転である。 魚眼カメラの半径歪みが大きいため、標準的なアルゴリズムはサラウンドビューのユースケースに容易に拡張できない。
  論文  参考訳（メタデータ） (2022-05-26T11:38:04Z)
• 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)
• Vehicle trajectory prediction works, but not everywhere [75.36961426916639]
  本稿では,最先端モデルがオフロードされるような現実的なシーンを自動的に生成する手法を提案する。 物理制約とともに,原子シーン生成関数に基づく簡易かつ効果的な生成モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-07T18:59:15Z)
• Real-Time Pothole Detection Using Deep Learning [0.0]
  本研究は,ポットホールを検出するために,異なるディープラーニングアーキテクチャをデプロイし,テストした。 トレーニングに使用された画像は、車のフロントガラスに取り付けられた携帯電話で収集された。 このシステムは、カメラから100メートル離れた範囲から穴を検出できた。
  論文  参考訳（メタデータ） (2021-07-13T19:36:34Z)
• iCurb: Imitation Learning-based Detection of Road Curbs using Aerial Images for Autonomous Driving [11.576868193291997]
  道路の縁石は自動運転に不可欠な能力です。 通常、道路の縁石は、ビデオカメラや3dlidarなどの車載センサーを使ってオンラインで検出される。 航空画像を用いた道路縁石のオフライン検出のための新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-31T14:40:31Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)

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。