論文の概要: Automotive Parts Assessment: Applying Real-time Instance-Segmentation Models to Identify Vehicle Parts

• arxiv url: http://arxiv.org/abs/2202.00884v1
• Date: Wed, 2 Feb 2022 05:38:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 14:20:06.051493
• Title: Automotive Parts Assessment: Applying Real-time Instance-Segmentation Models to Identify Vehicle Parts
• Title（参考訳）: 自動車部品評価:リアルタイムインスタンス分割モデルによる自動車部品の同定
• Authors: Syed Adnan Yusuf, Abdulmalik Ali Aldawsari, Riad Souissi
• Abstract要約: 本研究は、最高の性能モデルを評価するために、様々なインスタンスセグメンテーション手法を探求し、適用する。 この研究の範囲は、SipMaskとYolactという2種類のリアルタイムインスタンスセグメンテーションモデルに焦点が当てられている。 Yolact-based part localization and segmentation method は、mAP 66.5 の他のリアルタイムインスタンス機構と比較してよく機能した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The problem of automated car damage assessment presents a major challenge in the auto repair and damage assessment industry. The domain has several application areas ranging from car assessment companies such as car rentals and body shops to accidental damage assessment for car insurance companies. In vehicle assessment, the damage can take any form including scratches, minor and major dents to missing parts. More often, the assessment area has a significant level of noise such as dirt, grease, oil or rush that makes an accurate identification challenging. Moreover, the identification of a particular part is the first step in the repair industry to have an accurate labour and part assessment where the presence of different car models, shapes and sizes makes the task even more challenging for a machine-learning model to perform well. To address these challenges, this research explores and applies various instance segmentation methodologies to evaluate the best performing models. The scope of this work focusses on two genres of real-time instance segmentation models due to their industrial significance, namely SipMask and Yolact. These methodologies are evaluated against a previously reported car parts dataset (DSMLR) and an internally curated dataset extracted from local car repair workshops. The Yolact-based part localization and segmentation method performed well when compared to other real-time instance mechanisms with a mAP of 66.5. For the workshop repair dataset, SipMask++ reported better accuracies for object detection with a mAP of 57.0 with outcomes for AP_IoU=.50and AP_IoU=.75 reporting 72.0 and 67.0 respectively while Yolact was found to be a better performer for AP_s with 44.0 and 2.6 for object detection and segmentation categories respectively.
• Abstract（参考訳）: 自動自動車損傷評価の問題は、自動車修理・損傷評価産業において大きな課題となっている。 自動車レンタルやボディショップなどの自動車アセスメント会社から、自動車保険会社の事故被害評価まで、いくつかの分野がある。 車両評価では、損傷は傷、小さな歯列、大きな歯列を含むあらゆる形で失われる可能性がある。 多くの場合、アセスメントエリアは、土、グリース、石油、ラッシュといった、正確な識別を困難にするかなりのレベルのノイズを持っている。 さらに、特定の部品の特定は、修理業界において、異なる車種、形状、大きさの存在により、機械学習モデルがうまく機能するタスクがさらに困難になるような、正確な作業と部分評価を行うための第一歩となる。 これらの課題に対処するために,本研究では,最高の性能モデルを評価するために,様々なインスタンスセグメンテーション手法を探求し,適用した。 本研究の範囲は,sipmaskとyolactという産業的意義から,実時間インスタンスセグメンテーションモデルの2つのジャンルに焦点を当てている。 これらの方法論は、予め報告された自動車部品データセット(dsmlr)と、現地の自動車修理ワークショップから抽出された内部キュレートデータセットに対して評価される。 Yolact-based part localization and segmentation method は、mAP 66.5 の他のリアルタイムインスタンス機構と比較してよく機能した。 ワークショップの修復データセットでは、sipmask++は57.0のマップでオブジェクト検出の精度が向上し、それぞれap_iou=.50とap_iou=.75のレポート72.0と67.0が得られた。

関連論文リスト

• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• Uncertainty estimates for semantic segmentation: providing enhanced reliability for automated motor claims handling [0.0]
  メタ分類モデルを用いて車体部品のセマンティックセグメンテーションのために訓練されたモデルにより予測されたセグメントの精度を実証的に評価する。 低品質セグメントを除去することにより、セグメンテーション出力の平均mIoUを16ポイント改善し、誤予測セグメント数を77%削減する。
  論文  参考訳（メタデータ） (2024-01-17T14:47:26Z)
• A Large-Scale Car Parts (LSCP) Dataset for Lightweight Fine-Grained Detection [0.23020018305241333]
  本稿では,12種類の自動車部品を検出するため,84,162枚の画像からなる大規模できめ細かな自動車データセットを提案する。 手動アノテーションの負担を軽減するため,新しい半教師付き自動ラベリング手法を提案する。 また,ゼロショットラベリングにおけるグラウンディングDINOアプローチの限界についても検討する。
  論文  参考訳（メタデータ） (2023-11-20T13:30:42Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)
• A Computer Vision Enabled damage detection model with improved YOLOv5 based on Transformer Prediction Head [0.0]
  現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。 DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。 DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
  論文  参考訳（メタデータ） (2023-03-07T22:53:36Z)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• An Efficient and Scalable Deep Learning Approach for Road Damage Detection [0.0]
  本稿では,画像に基づく苦難データをリアルタイムに分析するためのディープラーニングに基づくサーベイ手法を提案する。 縦ひび割れ,横ひび割れ,アリゲーターひび割れなど,ひび割れの多種多様な種類からなるデータベースを用いる。 提案されたモデルでは、F1スコアは52%から56%まで、平均推測時間は毎秒178-10枚だった。
  論文  参考訳（メタデータ） (2020-11-18T23:05:41Z)
• The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification [75.3310894042132]
  車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。 我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
  論文  参考訳（メタデータ） (2020-04-14T02:24:47Z)

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。