Fugu-MT 論文翻訳(概要): RoadAtlas: Intelligent Platform for Automated Road Defect Detection and Asset Management

論文の概要: RoadAtlas: Intelligent Platform for Automated Road Defect Detection and Asset Management

arxiv url: http://arxiv.org/abs/2109.03385v1
Date: Wed, 8 Sep 2021 01:26:15 GMT
ステータス: 処理完了
システム内更新日: 2021-09-10 04:48:13.543735
Title: RoadAtlas: Intelligent Platform for Automated Road Defect Detection and Asset Management
Title（参考訳）: RoadAtlas: 自動道路欠陥検出とアセット管理のためのインテリジェントプラットフォーム
Authors: Zhuoxiao Chen, Yiyun Zhang, Yadan Luo, Zijian Wang, Jinjiang Zhong, Anthony Southon
Abstract要約: RoadAtlasは、道路欠陥の検出、道路マーキング解析、ユーザによるデータの提示と入力のためのWebベースのダッシュボードをサポートする、新しいエンドツーエンド統合システムである。
参考スコア（独自算出の注目度）: 8.441428233111843
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the rapid development of intelligent detection algorithms based on deep learning, much progress has been made in automatic road defect recognition and road marking parsing. This can effectively address the issue of an expensive and time-consuming process for professional inspectors to review the street manually. Towards this goal, we present RoadAtlas, a novel end-to-end integrated system that can support 1) road defect detection, 2) road marking parsing, 3) a web-based dashboard for presenting and inputting data by users, and 4) a backend containing a well-structured database and developed APIs.
Abstract（参考訳）: ディープラーニングに基づくインテリジェント検出アルゴリズムの急速な開発により、道路欠陥の自動認識と道路マーキング解析に多くの進歩がもたらされている。これは、プロの検査官が手動で道路をレビューする費用と時間を要する問題に効果的に対処することができる。この目的に向けて,1)道路欠陥検出,2)道路マーキング解析,3)ユーザによるデータの提示と入力を行うwebベースのダッシュボード,4)構造化データベースと開発apiを備えたバックエンドをサポートする,新しいエンドツーエンド統合システムroadatlasを提案する。

関連論文リスト

Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
車線検出は自律運転認識システムにおいて重要な役割を果たす。ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
論文参考訳（メタデータ） (2024-11-25T12:09:43Z)
Leveraging GNSS and Onboard Visual Data from Consumer Vehicles for Robust Road Network Estimation [18.236615392921273]
本稿では,自動運転車における道路グラフ構築の課題について述べる。本稿では,これらの標準センサから取得したグローバルナビゲーション衛星システム(GNSS)のトレースと基本画像データについて提案する。我々は、畳み込みニューラルネットワークを用いて、道路中心のセマンティックセグメンテーションタスクとして問題をフレーミングすることで、データの空間情報を利用する。
論文参考訳（メタデータ） (2024-08-03T02:57:37Z)
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)
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)
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)
Perspective Aware Road Obstacle Detection [104.57322421897769]
道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
論文参考訳（メタデータ） (2022-10-04T17:48:42Z)
Haul Road Mapping from GPS Traces [0.0]
本稿では,道路網の正確な表現を,現場で運用されているトラックから取得したGPSデータを用いて自動的に導き出す可能性について検討する。全ての試験アルゴリズムで見られる欠点に基づいて, 地雷の現場に典型的な工芸品の道路地図を幾何学的に解析するポストプロセッシング・ステップが開発された。
論文参考訳（メタデータ） (2022-06-27T04:35:06Z)
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)
Fusion of neural networks, for LIDAR-based evidential road mapping [3.065376455397363]
LIDARスキャンにおける道路検出に最適化された新しい畳み込みアーキテクチャであるRoadSegを紹介する。 RoadSegは、個々のLIDARポイントを道路に属するか、そうでないかを分類するために使用される。そこで本研究では,連続した道路検出結果を融合する明らかな道路マッピングアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-05T18:14:36Z)
Accelerating Road Sign Ground Truth Construction with Knowledge Graph and Machine Learning [5.226306460380354]
道路標識の分類を効果的に行うために,知識グラフと機械学習アルゴリズムを用いた新しい手法を提案する。アノテーションは、視覚属性を使用してRoad Sign Knowledge Graphをクエリし、VPEモデルによって提案される最も近いマッチング候補を受け取ることができる。知識グラフのアプローチは手話検索スペースを98.9%削減できることを示す。
論文参考訳（メタデータ） (2020-12-04T15:42:08Z)
Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文参考訳（メタデータ） (2020-06-24T04:45:14Z)

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。