論文の概要: A Computer Vision-assisted Approach to Automated Real-Time Road
Infrastructure Management
- arxiv url: http://arxiv.org/abs/2202.13285v1
- Date: Sun, 27 Feb 2022 04:08:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 12:57:32.645283
- Title: A Computer Vision-assisted Approach to Automated Real-Time Road
Infrastructure Management
- Title（参考訳）: リアルタイム道路インフラ管理のためのコンピュータビジョン支援手法
- Authors: Philippe Heitzmann
- Abstract要約: そこで本研究では,車両ダッシュボード搭載スマートフォンカメラを用いて,道路災害をリアルタイムに検出・分類するための監視対象検出手法を提案する。
IEEEの2020 Global Road damage Detection (GRDC) Challengeに参加した121チームのトップ5にランクインした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate automated detection of road pavement distresses is critical for the
timely identification and repair of potentially accident-inducing road hazards
such as potholes and other surface-level asphalt cracks. Deployment of such a
system would be further advantageous in low-resource environments where lack of
government funding for infrastructure maintenance typically entails heightened
risks of potentially fatal vehicular road accidents as a result of inadequate
and infrequent manual inspection of road systems for road hazards. To remedy
this, a recent research initiative organized by the Institute of Electrical and
Electronics Engineers ("IEEE") as part of their 2020 Global Road Damage
Detection ("GRDC") Challenge published in May 2020 a novel 21,041 annotated
image dataset of various road distresses calling upon academic and other
researchers to submit innovative deep learning-based solutions to these road
hazard detection problems. Making use of this dataset, we propose a supervised
object detection approach leveraging You Only Look Once ("YOLO") and the Faster
R-CNN frameworks to detect and classify road distresses in real-time via a
vehicle dashboard-mounted smartphone camera, producing 0.68 F1-score
experimental results ranking in the top 5 of 121 teams that entered this
challenge as of December 2021.
- Abstract（参考訳）: 道路舗装災害の正確な自動検出は, ポットホールやその他の表面面アスファルトき裂などの事故を引き起こす可能性のある道路危険物のタイムリーな同定と修復に重要である。
このようなシステムの展開は、インフラ整備のための政府資金の不足が、道路の危険に対する道路システムの手動検査が不十分で頻繁な結果、潜在的に致命的な自動車事故のリスクを増大させるような低リソース環境においてさらに有利である。
この問題を解決するために、2020年5月に発表されたGlobal Road Damage Detection(GRDC)チャレンジの一環として、電気電子工学研究所(IEEE)が主催した最近の研究イニシアチブは、学術や他の研究者に、これらの道路危険検出問題に対する革新的なディープラーニングベースのソリューションを提出するよう呼びかける、様々な道路災害に関する、21,041の注釈付き画像データセットである。
このデータセットを利用することで,2021年12月時点でこの課題に参入した121チームのトップ5にランク付けされた0.68 F1スコアの試験結果を生成する,監視対象検出アプローチ(YOLO)と,車両ダッシュボード搭載スマートフォンカメラによる道路災害のリアルタイム検出と分類を行うFaster R-CNNフレームワークを提案する。
関連論文リスト
- The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。
今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。
競争は15の最高パフォーマンスのソリューションで頂点に達した。
論文 参考訳（メタデータ） (2024-05-14T17:59:57Z) - RACER: Epistemic Risk-Sensitive RL Enables Fast Driving with Fewer Crashes [57.319845580050924]
本稿では,リスク感応制御と適応行動空間のカリキュラムを組み合わせた強化学習フレームワークを提案する。
提案アルゴリズムは,現実世界のオフロード運転タスクに対して,高速なポリシーを学習可能であることを示す。
論文 参考訳（メタデータ） (2024-05-07T23:32:36Z) - 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) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - HazardNet: Road Debris Detection by Augmentation of Synthetic Models [1.1750701213830141]
そこで本研究では,少数の合成モデルを用いて未確認の道路破片を検出するアルゴリズムを提案する。
我々は、問題領域を道路上の一般的でないオブジェクトに制限し、深いニューラルネットワークであるHazardNetが道路の破片の意味を学べるようにします。
論文 参考訳（メタデータ） (2023-03-14T00:30:24Z) - Road Damages Detection and Classification with YOLOv7 [0.0]
本研究は,Googleストリートビューを用いて道路被害データを収集,ラベル付けし,YOLOv7(You Only Look Once Version 7)を使用することを提案する。
提案手法は,クラウドセンシングによる道路被害検出チャレンジ (CRDDC2022, IEEE BigData 2022) に適用される。
論文 参考訳（メタデータ） (2022-10-31T18:55:58Z) - RDD2022: A multi-national image dataset for automatic Road Damage
Detection [0.0]
このデータセットは、日本、インド、チェコ、ノルウェー、米国、中国6カ国の道路画像47,420枚で構成されている。
本データセットでは, 縦断裂, 横断裂, アリゲータ亀裂, ポットホールの4種類の道路損傷を捉えた。
このデータセットは、クラウドセンシングに基づく道路被害検出チャレンジ(CRDDC2022)の一部としてリリースされた。
論文 参考訳（メタデータ） (2022-09-18T11:29:49Z) - CODA: A Real-World Road Corner Case Dataset for Object Detection in
Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。
大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。
我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文 参考訳（メタデータ） (2022-03-15T08:32:56Z) - 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) - Road Damage Detection using Deep Ensemble Learning [36.24563211765782]
道路損傷の効率的な検出と分類のためのアンサンブルモデルを提案する。
我々のソリューションは、You Only Look Once (YOLO-v4)として知られる最先端の物体検出器を利用する。
テスト1データセットでF1スコアが0.628、テスト2データセットで0.6358に達した。
論文 参考訳（メタデータ） (2020-10-30T03:18:14Z) - FasterRCNN Monitoring of Road Damages: Competition and Deployment [19.95568306575998]
IEEE 2020 Global Road damage Detection (RDD) Challengeは、ディープラーニングとコンピュータビジョン研究者が関与する機会を提供する。
本稿では,このトピックに対する2つのコントリビューションを提案する。
第2部では、提案手法と課題を解説し、ローカル道路網にモデルを配置する取り組みについて述べる。
論文 参考訳（メタデータ） (2020-10-22T14:56:00Z)
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。