論文の概要: HierMUD: Hierarchical Multi-task Unsupervised Domain Adaptation between Bridges for Drive-by Damage Diagnosis

• arxiv url: http://arxiv.org/abs/2107.11435v1
• Date: Fri, 23 Jul 2021 19:39:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 13:50:48.009980
• Title: HierMUD: Hierarchical Multi-task Unsupervised Domain Adaptation between Bridges for Drive-by Damage Diagnosis
• Title（参考訳）: HierMUD: 橋梁間の階層的マルチタスク非教師領域適応による損傷診断
• Authors: Jingxiao Liu, Susu Xu, Mario Berg\'es, Hae Young Noh
• Abstract要約: 対象橋のラベルを使わずに,橋梁の損傷を診断するために,ある橋梁から学習したモデルを転送する新しい枠組みを提案する。 我々のフレームワークは、タスク共有とタスク固有の特徴を抽出するために、逆方向の方法で階層型ニューラルネットワークモデルを訓練する。 2つの橋と3台の車両から収集した実験データについて,本フレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 9.261126434781744
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Monitoring bridge health using vibrations of drive-by vehicles has various benefits, such as no need for directly installing and maintaining sensors on the bridge. However, many of the existing drive-by monitoring approaches are based on supervised learning models that require labeled data from every bridge of interest, which is expensive and time-consuming, if not impossible, to obtain. To this end, we introduce a new framework that transfers the model learned from one bridge to diagnose damage in another bridge without any labels from the target bridge. Our framework trains a hierarchical neural network model in an adversarial way to extract task-shared and task-specific features that are informative to multiple diagnostic tasks and invariant across multiple bridges. We evaluate our framework on experimental data collected from 2 bridges and 3 vehicles. We achieve accuracies of 95% for damage detection, 93% for localization, and up to 72% for quantification, which are ~2 times improvements from baseline methods.
• Abstract（参考訳）: 車両の振動を利用した橋梁の健康モニタリングには、橋に直接センサーを設置し維持する必要がないなど、様々な利点がある。 しかしながら、既存のdrive-by監視アプローチの多くは、すべての関心橋からのラベル付きデータを必要とする教師付き学習モデルに基づいている。 そこで本研究では,ある橋梁から学習したモデルを伝達し,対象橋のラベルを使わずに別の橋梁の損傷を診断する新しい枠組みを提案する。 我々のフレームワークは、複数の診断タスクに有用なタスク共有およびタスク固有の特徴を抽出し、複数のブリッジで不変な階層型ニューラルネットワークモデルを訓練する。 2つの橋と3台の車両から収集した実験データに関する枠組みを評価する。 被害検出の精度は95%,局所化の93%,定量化の最大72%であり,ベースライン法に比べて約2倍改善されている。

関連論文リスト

• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• BridgeData V2: A Dataset for Robot Learning at Scale [73.86688388408021]
  BridgeData V2は、ロボット操作行動の大規模で多様なデータセットである。 対象は、24の環境にまたがる60,096個のトラジェクトリだ。
  論文  参考訳（メタデータ） (2023-08-24T17:41:20Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for Autonomous Driving [91.39625612027386]
  我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。 具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。 この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T07:11:36Z)
• Virtual Axle Detector based on Analysis of Bridge Acceleration Measurements by Fully Convolutional Network [5.141414655148996]
  本稿では,橋梁の任意の地点に加速度計を設置して軸検出を行う新しい手法を提案する。 このモデルは、連続ウェーブレット変換の形式で信号を処理するための完全な畳み込みネットワークとして実装されている。 これにより,仮想軸検出器(VAD)として機能する橋梁構造物の任意の位置において,特定の構造型に制限されることなく,加速度信号を使用することが可能である。
  論文  参考訳（メタデータ） (2022-07-08T09:01:04Z)
• A semi-supervised self-training method to develop assistive intelligence for segmenting multiclass bridge elements from inspection videos [6.75013674088437]
  本稿では,検査ビデオから多クラス橋要素をセグメント化するための補助情報モデルを開発する。 大規模な公開データセットで事前トレーニングされたマスクリージョンベースの畳み込みニューラルネットワーク(Mask R-CNN)が新しいタスクに転送された。 半教師付き自己訓練(S$3$T)法が開発され、経験豊富な検査官がネットワークを精査する。
  論文  参考訳（メタデータ） (2021-09-10T19:22:45Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Knowledge transfer between bridges for drive-by monitoring using adversarial and multi-task learning [6.462702225377603]
  車両の振動による橋梁の健康状態のモニタリングには、低コストや直接設置や設備の現場メンテナンスの必要がないなど、様々な利点がある。 このようなアプローチの多くは、すべての橋からのラベル付きデータを必要としており、これは高価で、不可能ではないとしても、入手するのに時間を要する。 ドメイン・アドバイザリ・トレーニングとマルチタスク・ラーニングを用いたトランスファー・ラーニング・フレームワークを導入し,損傷の検出,局所化,定量化を行う。
  論文  参考訳（メタデータ） (2020-06-05T19:18:45Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)
• Damage-sensitive and domain-invariant feature extraction for vehicle-vibration-based bridge health monitoring [25.17078512102496]
  本稿では,車両の加速度応答データから損傷感受性・領域不変性(DS&DI)特徴を抽出する物理誘導信号処理手法を提案する。 この特徴は,6つの実験のうち5つの実験において,橋梁にまたがる最高の損傷および局所化結果を提供する。
  論文  参考訳（メタデータ） (2020-02-06T05:45:39Z)

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。