論文の概要: An Embedded System for Image-based Crack Detection by using Fine-Tuning
model of Adaptive Structural Learning of Deep Belief Network
- arxiv url: http://arxiv.org/abs/2110.13145v1
- Date: Mon, 25 Oct 2021 07:28:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 15:45:05.561620
- Title: An Embedded System for Image-based Crack Detection by using Fine-Tuning
model of Adaptive Structural Learning of Deep Belief Network
- Title（参考訳）: 深層信念ネットワークの適応構造学習の微調整モデルを用いた画像に基づくき裂検出のための組込みシステム
- Authors: Shin Kamada, Takumi Ichimura
- Abstract要約: Restricted Boltzmann Machine (Adaptive RBM) と Deep Belief Network (Adaptive DBN) の適応型構造学習法を開発した。
本手法は,具体的な画像ベンチマークデータセットであるSDNET 2018を用いてき裂検出を行った。
本稿では,提案するAdaptive DBNを,ドローン上でのリアルタイム推論のためのGPUを備えた小型PCに埋め込んだ。
- 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: Deep learning has been a successful model which can effectively represent
several features of input space and remarkably improve image recognition
performance on the deep architectures. In our research, an adaptive structural
learning method of Restricted Boltzmann Machine (Adaptive RBM) and Deep Belief
Network (Adaptive DBN) have been developed as a deep learning model. The models
have a self-organize function which can discover an optimal number of hidden
neurons for given input data in a RBM by neuron generation-annihilation
algorithm, and can obtain an appropriate number of RBM as hidden layers in the
trained DBN. The proposed method was applied to a concrete image benchmark data
set SDNET 2018 for crack detection. The dataset contains about 56,000 crack
images for three types of concrete structures: bridge decks, walls, and paved
roads. The fine-tuning method of the Adaptive DBN can show 99.7%, 99.7%, and
99.4% classification accuracy for test dataset of three types of structures. In
this paper, our developed Adaptive DBN was embedded to a tiny PC with GPU for
real-time inference on a drone. For fast inference, the fine tuning algorithm
also removed some inactivated hidden neurons to make a small model and then the
model was able to improve not only classification accuracy but also inference
speed simultaneously. The inference speed and running time of portable battery
charger were evaluated on three kinds of Nvidia embedded systems; Jetson Nano,
AGX Xavier, and Xavier NX.
- Abstract（参考訳）: ディープラーニングは、入力空間のいくつかの特徴を効果的に表現し、深層アーキテクチャにおける画像認識性能を大幅に改善できるモデルとして成功している。
本研究では,Restricted Boltzmann Machine (Adaptive RBM) とDeep Belief Network (Adaptive DBN) の適応型構造学習法をディープラーニングモデルとして開発した。
モデルは、ニューロン生成消滅アルゴリズムにより、RBMに与えられた入力データに対して最適な隠れニューロン数を発見でき、訓練されたDBNの隠蔽層として適切な数のRBMを得ることができる自己組織化機能を有する。
本手法は,具体的な画像ベンチマークデータセットであるSDNET 2018を用いてき裂検出を行った。
このデータセットには、ブリッジデッキ、壁、舗装道路の3種類のコンクリート構造物の約56,000枚のクラック画像が含まれている。
アダプティブDBNの微調整方法は、3種類の構造物のテストデータセットの99.7%、99.7%、99.4%の分類精度を示すことができる。
本稿では,提案するAdaptive DBNを,ドローンのリアルタイム推論のためのGPUを備えた小型PCに埋め込んだ。
高速な推論のために、微調整アルゴリズムはいくつかの不活性な隠れニューロンを除去して小さなモデルを作り、そのモデルが分類精度だけでなく推論速度も同時に改善することができた。
Nvidiaの組み込みシステムであるJetson Nano, AGX Xavier, Xavier NXで, 携帯型バッテリー充電器の動作速度と動作時間を評価した。
関連論文リスト
- DNA Family: Boosting Weight-Sharing NAS with Block-Wise Supervisions [121.05720140641189]
蒸留型ニューラルアーキテクチャ(DNA)技術を用いたモデル群を開発した。
提案するDNAモデルでは,アルゴリズムを用いてサブサーチ空間にのみアクセス可能な従来の手法とは対照的に,すべてのアーキテクチャ候補を評価できる。
当社のモデルでは,モバイルコンボリューションネットワークと小型ビジョントランスフォーマーにおいて,ImageNet上で78.9%,83.6%の最先端トップ1精度を実現している。
論文 参考訳（メタデータ） (2024-03-02T22:16:47Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳（メタデータ） (2022-05-16T06:49:36Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Revisiting Efficient Object Detection Backbones from Zero-Shot Neural
Architecture Search [34.88658308647129]
オブジェクト検出モデルでは、検出バックボーンは全体の推論コストの半分以上を消費する。
この問題に対処する新しいゼロショットNAS法を提案する。
提案手法はZenDetと呼ばれ,ネットワークパラメータを訓練することなく,効率的な検出バックボーンを自動設計する。
論文 参考訳（メタデータ） (2021-11-26T07:18:52Z) - A Distillation Learning Model of Adaptive Structural Deep Belief Network
for AffectNet: Facial Expression Image Database [0.0]
我々は,Deep Belief Network (DBN) の適応型構造学習法を開発した。
本稿では,表情画像データセットであるAffectNetに適用する。
分類精度は78.4%から91.3%に向上した。
論文 参考訳（メタデータ） (2021-10-25T08:01:36Z) - An Adaptive Structural Learning of Deep Belief Network for Image-based
Crack Detection in Concrete Structures Using SDNET2018 [0.0]
我々は、学習中に最適なネットワーク構造を自己組織的に見つける適応型構造的Deep Belief Network(Adaptive DBN)を開発した。
アダプティブDBNは階層アーキテクチャであり、各層はアダプティブリミテッドボルツマンマシン(Adaptive RBM)を採用している。
本手法は, ひび割れ検出のための具体的な画像ベンチマークデータセット SDNET2018 に適用した。
論文 参考訳（メタデータ） (2021-10-25T07:29:25Z) - Automatic Extraction of Road Networks from Satellite Images by using
Adaptive Structural Deep Belief Network [0.0]
本研究では,ロードトラッカーと呼ばれる道路網の自動認識手法に適用する。
RoadTracerは航空写真データから地上の道路地図を生成することができる。
精度と計算時間を改善するため,我々のAdaptive DBNはCNNの代わりにRoadTracer上に実装された。
論文 参考訳（メタデータ） (2021-10-25T07:06:10Z) - Effective Model Sparsification by Scheduled Grow-and-Prune Methods [73.03533268740605]
本稿では,高密度モデルの事前学習を伴わない新規なGrow-and-prune(GaP)手法を提案する。
実験により、そのようなモデルは様々なタスクにおいて80%の間隔で高度に最適化された高密度モデルの品質に適合または打ち勝つことができることが示された。
論文 参考訳（メタデータ） (2021-06-18T01:03:13Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - DrNAS: Dirichlet Neural Architecture Search [88.56953713817545]
ディリクレ分布をモデルとした連続緩和型混合重みをランダム変数として扱う。
最近開発されたパスワイズ微分により、ディリクレパラメータは勾配に基づく一般化で容易に最適化できる。
微分可能なNASの大きなメモリ消費を軽減するために, 単純かつ効果的な進行学習方式を提案する。
論文 参考訳（メタデータ） (2020-06-18T08:23:02Z)
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。