論文の概要: Real-Time Pothole Detection Using Deep Learning

• arxiv url: http://arxiv.org/abs/2107.06356v1
• Date: Tue, 13 Jul 2021 19:36:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 14:25:11.116098
• Title: Real-Time Pothole Detection Using Deep Learning
• Title（参考訳）: ディープラーニングを用いたリアルタイムポトホール検出
• Authors: Anas Al Shaghouri, Rami Alkhatib, Samir Berjaoui
• Abstract要約: 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。
• 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: Roads are connecting line between different places, and used daily. Roads' periodic maintenance keeps them safe and functional. Detecting and reporting the existence of potholes to responsible departments can help in eliminating them. This study deployed and tested on different deep learning architecture to detect potholes. The images used for training were collected by cellphone mounted on the windshield of the car, in addition to many images downloaded from the internet to increase the size and variability of the database. Second, various object detection algorithms are employed and compared to detect potholes in real-time like SDD-TensorFlow, YOLOv3Darknet53 and YOLOv4Darknet53. YOLOv4 achieved the best performance with 81% recall, 85% precision and 85.39% mean Average Precision (mAP). The speed of processing was 20 frame per second. The system was able to detect potholes from a range on 100 meters away from the camera. The system can increase the safety of drivers and improve the performance of self-driving cars by detecting pothole time ahead.
• Abstract（参考訳）: 道路は異なる場所を繋いでおり、毎日使われている。 道路の定期的な整備は安全と機能を維持する。 責任ある部門にポットホールの存在を検出して報告することは、それらを取り除くのに役立ちます。 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。 トレーニング用の画像は、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、インターネットからダウンロードされた多くの画像に加えて、データベースのサイズと変動性も向上した。 第2に,sdd-tensorflow,yolov3darknet53,yolov4darknet53など,さまざまなオブジェクト検出アルゴリズムを採用し,リアルタイムにポットホールを検出する。 yolov4は81%のリコール、85%の精度、85.39%の平均平均精度(map)で最高の性能を達成した。 処理速度は毎秒20フレームであった。 システムはカメラから100メートル離れた範囲からポットホールを検出することができた。 このシステムはドライバーの安全性を高め、前方のポットホール時間を検出することで自動運転車の性能を向上させることができる。

関連論文リスト

• Improved Pothole Detection Using YOLOv7 and ESRGAN [1.0485739694839669]
  ポットホール(Pothole)は、自動車に損傷を与え、運転者に安全リスクを与える道路の危険である。 CNNは、Deep Learningメソッドに基づいたオブジェクト検出のために、業界で広く使われている。 本稿では,低分解能カメラや低分解能画像,ビデオフィードを自動ポットホール検出に使用することを保証するために,一意に優れたアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-10T16:22:10Z)
• 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)
• Prior Based Online Lane Graph Extraction from Single Onboard Camera Image [133.68032636906133]
  単眼カメラ画像からレーングラフをオンラインに推定する。 前者は、トランスフォーマーベースのWasserstein Autoencoderを通じてデータセットから抽出される。 オートエンコーダは、最初のレーングラフ推定を強化するために使用される。
  論文  参考訳（メタデータ） (2023-07-25T08:58:26Z)
• A Real-Time Wrong-Way Vehicle Detection Based on YOLO and Centroid Tracking [0.0]
  誤運転は、世界中の道路事故や交通渋滞の主な原因の1つである。 本稿では,道路監視カメラによる車両自動検知システムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T00:53:28Z)
• RCLane: Relay Chain Prediction for Lane Detection [76.62424079494285]
  本稿では,リレーチェーン予測に基づく車線検出手法を提案する。 当社の戦略では,TuSimple,CULane,CurveLanes,LLAMASの4つの主要なベンチマーク上で,最先端の新たなベンチマークを確立することが可能です。
  論文  参考訳（メタデータ） (2022-07-19T16:48:39Z)
• 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)
• Achieving Real-Time Object Detection on MobileDevices with Neural Pruning Search [45.20331644857981]
  本稿では,2次元および3次元物体検出のための自律走行車における高速推論を実現するために,コンパイラ対応のニューラルプルーニング検索フレームワークを提案する。 提案手法は, YOLOv4 を用いた2次元物体検出と PointPillars による3次元物体検出において, 実時間, 55ms および 99ms の推論時間を実現する。
  論文  参考訳（メタデータ） (2021-06-28T18:59:20Z)
• Learning to Automatically Catch Potholes in Worldwide Road Scene Images [0.0]
  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。
  論文  参考訳（メタデータ） (2021-05-17T16:10:58Z)
• 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)
• Rethinking Road Surface 3D Reconstruction and Pothole Detection: From Perspective Transformation to Disparity Map Segmentation [34.27692655476825]
  ポトホール検出は通常、構造エンジニアまたは認定検査官によって行われます。 本稿では,道路差マップ推定とセグメンテーションに基づく効率的なポットホール検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-19T22:41:23Z)

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。