論文の概要: Estimating IRI based on pavement distress type, density, and severity:
Insights from machine learning techniques
- arxiv url: http://arxiv.org/abs/2110.05413v1
- Date: Mon, 11 Oct 2021 16:59:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 18:50:31.862362
- Title: Estimating IRI based on pavement distress type, density, and severity:
Insights from machine learning techniques
- Title（参考訳）: 舗装災害タイプ, 密度, 重大度に基づくIRIの推定:機械学習技術からの考察
- Authors: Yu Qiao, Sikai Chen, Majed Alinizzi, Miltos Alamaniotis, Samuel Labi
- Abstract要約: 国際粗度指数(International Roughness Index, IRI)は、最も広く使われている表面粗度指数である。
IRIの測定には費用がかかるため、ネットワークレベルでのIRIの測定から特定の道路クラスを除外する。
本研究は, 舗装部のIRIを, その被害タイプとその密度, 重症度から推定することが可能であると仮定した。
- 参考スコア（独自算出の注目度）: 23.858916045390878
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surface roughness is primary measure of pavement performance that has been
associated with ride quality and vehicle operating costs. Of all the surface
roughness indicators, the International Roughness Index (IRI) is the most
widely used. However, it is costly to measure IRI, and for this reason, certain
road classes are excluded from IRI measurements at a network level. Higher
levels of distresses are generally associated with higher roughness. However,
for a given roughness level, pavement data typically exhibits a great deal of
variability in the distress types, density, and severity. It is hypothesized
that it is feasible to estimate the IRI of a pavement section given its
distress types and their respective densities and severities. To investigate
this hypothesis, this paper uses data from in-service pavements and machine
learning methods to ascertain the extent to which IRI can be predicted given a
set of pavement attributes. The results suggest that machine learning can be
used reliably to estimate IRI based on the measured distress types and their
respective densities and severities. The analysis also showed that IRI
estimated this way depends on the pavement type and functional class. The paper
also includes an exploratory section that addresses the reverse situation, that
is, estimating the probability of pavement distress type distribution and
occurrence severity/extent based on a given roughness level.
- Abstract（参考訳）: 表面粗さは、乗用品質と車両の運転コストに関連する舗装性能の主要な指標である。
全ての表面粗さ指標のうち、国際粗さ指数(IRI)が最も広く使われている。
しかし、IRI測定にはコストがかかるため、ネットワークレベルでのIRI測定から特定の道路クラスを除外する。
より高いレベルの苦痛は、通常、より高い粗さと関連している。
しかし、ある粗さのレベルでは、舗装データは通常、苦難の種類、密度、重大度において大きな変動を示す。
本研究は, 舗装部のIRIを, その被害タイプとその密度, 重症度から推定することが可能であると仮定した。
この仮説を考察するために,本論文では,舗装属性の集合からIRIの予測範囲を確認するために,サービス内舗装からのデータと機械学習手法を用いている。
以上の結果から, 機械学習は, 測定されたディストレスタイプとそれぞれの密度, 収差に基づいて iri を高精度に推定できることが示唆された。
解析の結果,IRIは舗装タイプと機能クラスに依存していることがわかった。
本論文はまた、舗装難破型分布の確率を推定し、所定の粗さレベルに基づいて発生重大/現存率を推定するリバース状況に対処する探索部を含む。
関連論文リスト
- Geo-Localization Based on Dynamically Weighted Factor-Graph [74.75763142610717]
特徴に基づくジオローカライゼーションは、航空画像から抽出された特徴と車両のセンサーによって検出された特徴とを関連付けることに依存する。
これにより、ランドマークの種類は両方のソースから観測できなければならない。
車両軌道推定のための動的重み付き因子グラフモデルを提案する。
論文 参考訳（メタデータ） (2023-11-13T12:44:14Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳（メタデータ） (2023-08-17T20:40:30Z) - Discovering and Explaining the Non-Causality of Deep Learning in SAR ATR [20.662652637190515]
ディープラーニングは、SAR ATRで広く使われ、MSTARデータセット上で優れたパフォーマンスを実現している。
本稿では,Shapley値に基づいて,異なる領域の目標認識に対する貢献度を定量化する。
データバイアスとモデルバイアスが非因果性にどのように貢献するかを説明する。
論文 参考訳（メタデータ） (2023-04-03T00:45:11Z) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳（メタデータ） (2023-03-21T17:16:01Z) - Causal Analysis and Classification of Traffic Crash Injury Severity
Using Machine Learning Algorithms [0.0]
この調査で使用されたデータは、2014年から2019年までの6年間にテキサス州のすべての州間高速道路で交通事故が発生した際に得られたものです。
提案手法は,致命的・重傷(KA),非重傷(BC),財産被害(PDO)の3つのクラスを含む。
Grangerの因果関係分析の結果、速度制限、表面および気象条件、交通量、ワークゾーンの存在、ワークゾーンの労働者、高占有車線(HOV)が事故の深刻度に影響を及ぼす最も重要な要因として特定された。
論文 参考訳（メタデータ） (2021-11-30T20:32:31Z) - Machine Learning for Nondestructive Wear Assessment in Large Internal
Combustion Engines [0.8795040582681388]
既存の摩耗の定量化には, 検査ライナーの分解, 切断が必要である。
リニア表面の反射rgb画像から表面表現軸受荷重曲線の計算を可能にするディープラーニングフレームワークを提案する。
この目的のために、畳み込みニューラルネットワークを訓練し、対応する深さプロファイルの軸受荷重曲線を推定する。
論文 参考訳（メタデータ） (2021-03-15T16:01:17Z) - Deep Learning Frameworks for Pavement Distress Classification: A
Comparative Analysis [2.752817022620644]
本研究では,舗装の苦痛を検知し,特徴付けるための最先端のディープラーニングアルゴリズムをデプロイする。
モデルは、日本、チェコ、インドの都市部や農村部で撮影された21,041枚の画像を用いて訓練された。
最高のパフォーマンスモデルは、IEEE Global Road Damage Detection Challengeがリリースした2つのテストデータセットで、F1スコアの0.58と0.57を達成した。
論文 参考訳（メタデータ） (2020-10-21T00:26:59Z) - The efficacy of Neural Planning Metrics: A meta-analysis of PKL on
nuScenes [77.83263286776938]
自律運転(AD)における高性能物体検出システムの役割
通常、平均的精度で評価されるパフォーマンスは、シーン内のアクターの向きや距離を考慮していない。
近年、フィリオンらは、プランナーの軌道と基底経路のKL分散に基づく神経計画測度(PKL)を提案した。
論文 参考訳（メタデータ） (2020-10-19T09:32:48Z) - Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture
Detection [58.984536305767996]
自動椎骨骨折検出のための表現学習型アプローチを提案する。
本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。
一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
論文 参考訳（メタデータ） (2020-08-18T10:03:45Z) - Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。
本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。
また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
論文 参考訳（メタデータ） (2020-07-17T01:56:28Z) - Deep Machine Learning Approach to Develop a New Asphalt Pavement
Condition Index [0.0]
近年、ディープラーニングの進歩により、先例のない精度で舗装画像を分析するための堅牢なツールが開発されている。
ディープラーニングモデルは大きな真実データセットを必要とするが、舗装現場ではアクセスできないことが多い。
本研究では,より堅牢で容易に配置可能な舗装条件評価システムに向けた第一歩として,ラベル付き舗装データセットを提示した前回の研究をレビューした。
論文 参考訳（メタデータ） (2020-04-28T05:57:43Z)
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。