論文の概要: AI Driven Road Maintenance Inspection

• arxiv url: http://arxiv.org/abs/2106.02567v1
• Date: Fri, 4 Jun 2021 15:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 17:57:45.707584
• Title: AI Driven Road Maintenance Inspection
• Title（参考訳）: AI駆動の道路メンテナンス検査
• Authors: Ratnajit Mukherjee, Haris Iqbal, Shabbir Marzban, Ahmed Badar, Terence Brouns, Shruthi Gowda, Elahe Arani and Bahram Zonooz
• Abstract要約: 本稿では,人工知能とコンピュータビジョンの最先端技術を用いて,保守検査サブタスクの相当な部分を自動化する手法を提案する。 提案手法は,物体検出やセマンティックセグメンテーションといった最先端のコンピュータビジョン技術を用いて,主要道路構造物の検査を自動化する。 我々のAIモデルは、主要道路構造物の保守検査を自動化するだけでなく、従来の手動検査と比較して高いリコールをもたらすことを実証している。
• 参考スコア（独自算出の注目度）: 1.367628810606956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Road infrastructure maintenance inspection is typically a labour-intensive and critical task to ensure the safety of all the road users. In this work, we propose a detailed methodology to use state-of-the-art techniques in artificial intelligence and computer vision to automate a sizeable portion of the maintenance inspection subtasks and reduce the labour costs. The proposed methodology uses state-of-the-art computer vision techniques such as object detection and semantic segmentation to automate inspections on primary road structures such as the road surface, markings, barriers (guardrails) and traffic signs. The models are mostly trained on commercially viable datasets and augmented with proprietary data. We demonstrate that our AI models can not only automate and scale maintenance inspections on primary road structures but also result in higher recall compared to traditional manual inspections.
• Abstract（参考訳）: 道路インフラの整備検査は、通常、全ての道路利用者の安全を確保するために労働集約的で重要な作業である。 本研究では,人工知能とコンピュータビジョンの最先端技術を用いて,保守検査サブタスクの相当な部分を自動化し,作業コストを削減する方法を提案する。 提案手法は,オブジェクト検出やセマンティクスセグメンテーションといった最先端のコンピュータビジョン技術を用いて道路面,マーキング,バリア(ガードレール),交通標識などの主要道路構造物の検査を自動化する。 モデルは主に商用に実行可能なデータセットでトレーニングされ、プロプライエタリなデータで拡張される。 私たちのaiモデルは、主要な道路構造物のメンテナンス検査を自動化するだけでなく、従来の手動検査よりも高いリコールを実現できることを実証します。

関連論文リスト

• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Deep Learning Approaches in Pavement Distress Identification: A Review [0.39373541926236766]
  本稿では,舗装災害検出・分類のための画像処理技術と深層学習技術の最近の進歩を概観する。 これらのアルゴリズムがパターンを識別し、広範囲なデータセットに基づいて予測する能力は、舗装災害識別の領域に革命をもたらした。 高解像度画像をキャプチャすることで、UAVは深層学習アルゴリズムを用いて処理できる貴重なデータを提供し、様々な舗装の苦痛を効果的に検出し分類する。
  論文  参考訳（メタデータ） (2023-08-01T20:30:11Z)
• Automated Static Camera Calibration with Intelligent Vehicles [58.908194559319405]
  自動ジオレファレンスカメラキャリブレーションのためのロバストキャリブレーション法を提案する。 本手法では, フィルタ/RTK受信機と慣性測定ユニット(IMU)を組み合わせたキャリブレーション車両が必要である。 我々の手法は、インフラと車両の両方で記録された情報と人間との相互作用を一切必要としない。
  論文  参考訳（メタデータ） (2023-04-21T08:50:52Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• Methods and Tools for Monitoring Driver's Behavior [0.1462730735143614]
  本稿では,車内センサの革新的なアーキテクチャとドライバの動作を測定するための手法とツールを提案する。 NIHプロジェクトでは,早期認知症のある高齢ドライバの監視と識別に,方法やツールを含むアーキテクチャが使用されている。
  論文  参考訳（メタデータ） (2023-01-28T19:00:50Z)
• AI-Driven Road Maintenance Inspection v2: Reducing Data Dependency & Quantifying Road Damage [11.052502162865206]
  道路インフラの整備検査は、通常、全ての道路利用者の安全を確保するために労働集約的で重要な作業である。 道路損傷検出のためのラベルを生成するために,少数ショット学習やアウト・オブ・ディストリビューション検出といった手法を活用することで,自動ラベリングパイプラインを提案する。 これらの技術で訓練されたAIモデルは、人間のアノテーションの要求を減らした実世界のデータをより一般化するだけでなく、メンテナンスの緊急さを見積もることも示している。
  論文  参考訳（メタデータ） (2022-10-07T14:11:27Z)
• Road Network Deterioration Monitoring Using Aerial Images and Computer Vision [0.0]
  効率的な道路維持に向けた重要なステップは、道路網の在庫を更新する能力である。 本稿では,無人航空機を用いた在庫管理プロトコルの実証について述べる。 本プロトコルは,道路ネットワーク整備予算を優先するために,地方自治体に情報を提供することを目的としている。
  論文  参考訳（メタデータ） (2022-09-30T13:05:03Z)
• Deep Learning Serves Traffic Safety Analysis: A Forward-looking Review [4.228522109021283]
  本稿では,トラヒックビデオの理解と解釈に使用できる,典型的な処理パイプラインを提案する。 この処理フレームワークは、ビデオ強調、ビデオ安定化、セマンティックおよびインシデントセグメンテーション、オブジェクト検出と分類、軌道抽出、速度推定、イベント分析、モデリング、異常検出を含む。
  論文  参考訳（メタデータ） (2022-03-07T17:21:07Z)
• AI in Smart Cities: Challenges and approaches to enable road vehicle automation and smart traffic control [56.73750387509709]
  SCCは、活動やユーティリティの自動化と最適化による効率向上を目指すデータ中心の社会を構想しています。 本稿では、SCCにおけるAIの視点を説明し、道路車両の自動化とスマート交通制御を可能にする交通で使用されるAIベースの技術の概要を示す。
  論文  参考訳（メタデータ） (2021-04-07T14:31:08Z)
• Self-Supervised Steering Angle Prediction for Vehicle Control Using Visual Odometry [55.11913183006984]
  視覚オドメトリー法を用いて推定したカメラポーズを用いて,車両の軌道制御をモデルに訓練する方法を示す。 車両の前方にカメラを設置することにより,複数の異なる走行経路からの軌跡情報を活用するスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-20T16:29:01Z)
• BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in Unstructured Driving Environments [54.22535063244038]
  非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。 本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
  論文  参考訳（メタデータ） (2020-09-22T08:25:44Z)

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。