Fugu-MT 論文翻訳(概要): Intelligent Railway Foreign Object Detection: A Semi-supervised Convolutional Autoencoder Based Method

論文の概要: Intelligent Railway Foreign Object Detection: A Semi-supervised Convolutional Autoencoder Based Method

arxiv url: http://arxiv.org/abs/2108.02421v1
Date: Thu, 5 Aug 2021 07:32:23 GMT
ステータス: 処理完了
システム内更新日: 2021-08-06 22:16:06.533451
Title: Intelligent Railway Foreign Object Detection: A Semi-supervised Convolutional Autoencoder Based Method
Title（参考訳）: intelligent railway foreign objects detection: a semi-supervised convolutional autoencoder based method
Authors: Tiange Wang, Zijun Zhang, Fangfang Yang, and Kwok-Leung Tsui
Abstract要約: 本研究では,鉄道軌道画像のみを必要とする半教師付き畳み込みオートエンコーダに基づくフレームワークを開発した。提案するフレームワークは,IoT(Internet-of-Things)システムのデータ分析に有用である。
参考スコア（独自算出の注目度）: 7.557470133155959
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated inspection and detection of foreign objects on railways is important for rail transportation safety as it helps prevent potential accidents and trains derailment. Most existing vision-based approaches focus on the detection of frontal intrusion objects with prior labels, such as categories and locations of the objects. In reality, foreign objects with unknown categories can appear anytime on railway tracks. In this paper, we develop a semi-supervised convolutional autoencoder based framework that only requires railway track images without prior knowledge on the foreign objects in the training process. It consists of three different modules, a bottleneck feature generator as encoder, a photographic image generator as decoder, and a reconstruction discriminator developed via adversarial learning. In the proposed framework, the problem of detecting the presence, location, and shape of foreign objects is addressed by comparing the input and reconstructed images as well as setting thresholds based on reconstruction errors. The proposed method is evaluated through comprehensive studies under different performance criteria. The results show that the proposed method outperforms some well-known benchmarking methods. The proposed framework is useful for data analytics via the train Internet-of-Things (IoT) systems
Abstract（参考訳）: 鉄道における異物の自動検査・検出は、潜在的な事故や列車の脱線を防止するため、鉄道輸送の安全のために重要である。既存の視覚に基づくアプローチは、対象のカテゴリや位置といった先行ラベルによる正面侵入物体の検出に重点を置いている。実際には、未知のカテゴリーを持つ異物はいつでも線路に現れる。本稿では,鉄道軌道画像のみを必要とする半教師付き畳み込みオートエンコーダに基づくフレームワークを開発する。 3つの異なるモジュール、エンコーダとしてのボトルネック特徴生成器、デコーダとしての写真画像生成器、対向学習による再構成識別器で構成されている。提案手法では,入力画像と再構成画像を比較し,復元誤差に基づいてしきい値を設定することにより,異物の存在,位置,形状を検出する問題に対処する。提案手法は性能基準の異なる総合的な研究を通して評価される。その結果,提案手法はよく知られたベンチマーク手法よりも優れていることがわかった。 The proposed framework is useful for data analytics via the Train Internet-of-Things (IoT) systems

関連論文リスト

UAV-Based Human Body Detector Selection and Fusion for Geolocated Saliency Map Generation [0.2499907423888049]
無人航空機(UAV)を用いた探索・救助など多くの応用分野において、ソフトリアルタイムの異なるクラスの物体を確実に検出・位置決めする問題は不可欠である。本研究は、システムコンテキストの視覚に基づく検出器の選択、割り当て、実行の相補的な問題に対処する。検出結果は,新しいセンサモデルを利用して,正と負の両方の観測を視覚ベースで検出する,有意な位置の地図を構築する手法を用いて融合される。
論文参考訳（メタデータ） (2024-08-29T13:00:37Z)
Designing A Sustainable Marine Debris Clean-up Framework without Human Labels [0.0]
海洋の破片は、鳥類、魚、その他の動物の生命に重大な生態学的脅威をもたらす。伝統的に残骸の堆積を評価する方法には、労働集約的かつ高価な手作業による調査が含まれる。本研究では,ドローンが捉えた空中画像を利用して遠隔地ゴミ調査を行うフレームワークを提案する。
論文参考訳（メタデータ） (2024-05-23T17:28:23Z)
Finding Dino: A plug-and-play framework for unsupervised detection of out-of-distribution objects using prototypes [12.82756672393553]
ラベルを含まないPRototype-based zero-shot OOD Detection (PROWL) ラベルなしのPROWL(PRototype-based zero-shot OOD Detection Without Labels)を提案する。ドメインデータセットのトレーニングを必要としない推論ベースのメソッドである。また、鉄道や海上のシーンなど他の領域にも適合することを示す。
論文参考訳（メタデータ） (2024-04-11T11:55:42Z)
Geometric-aware Pretraining for Vision-centric 3D Object Detection [77.7979088689944]
GAPretrainと呼ばれる新しい幾何学的事前学習フレームワークを提案する。 GAPretrainは、複数の最先端検出器に柔軟に適用可能なプラグアンドプレイソリューションとして機能する。 BEVFormer法を用いて, nuScenes val の 46.2 mAP と 55.5 NDS を実現し, それぞれ 2.7 と 2.1 点を得た。
論文参考訳（メタデータ） (2023-04-06T14:33:05Z)
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)
Real-Time Accident Detection in Traffic Surveillance Using Deep Learning [0.8808993671472349]
本稿では,交通監視用交差点における事故検出のための新しい効率的な枠組みを提案する。提案手法は,最先端のYOLOv4法に基づく効率的かつ高精度な物体検出を含む,3つの階層的なステップから構成される。提案フレームワークのロバスト性は,様々な照明条件でYouTubeから収集した映像シーケンスを用いて評価する。
論文参考訳（メタデータ） (2022-08-12T19:07:20Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
Novelty Detection and Analysis of Traffic Scenario Infrastructures in the Latent Space of a Vision Transformer-Based Triplet Autoencoder [12.194597074511863]
インフラストラクチャイメージに基づいて新たなトラフィックシナリオを検出する手法を提案する。オートエンコーダ三重項ネットワークは、外乱検出に使用されるインフラストラクチャイメージの潜在表現を提供する。提案手法は他の最先端の異常検出手法よりも優れている。
論文参考訳（メタデータ） (2021-05-05T08:24:03Z)
Instance Localization for Self-supervised Detection Pretraining [68.24102560821623]
インスタンスローカリゼーションと呼ばれる,新たな自己監視型プリテキストタスクを提案する。境界ボックスを事前学習に組み込むことで、より優れたタスクアライメントとアーキテクチャアライメントが促進されることを示す。実験結果から, オブジェクト検出のための最先端の転送学習結果が得られた。
論文参考訳（メタデータ） (2021-02-16T17:58:57Z)
Self-supervised Segmentation via Background Inpainting [96.10971980098196]
移動可能なカメラで撮影された単一の画像で、自己教師付き検出とセグメンテーションのアプローチを導入する。我々は、提案に基づくセグメンテーションネットワークのトレーニングに利用する自己教師付き損失関数を利用する。本手法は,標準ベンチマークから視覚的に切り離された画像の人間の検出とセグメント化に応用し,既存の自己監督手法より優れていることを示す。
論文参考訳（メタデータ） (2020-11-11T08:34:40Z)
Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。