論文の概要: Engineering deep learning methods on automatic detection of damage in
infrastructure due to extreme events
- arxiv url: http://arxiv.org/abs/2205.02125v1
- Date: Sun, 1 May 2022 19:55:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 07:53:17.905925
- Title: Engineering deep learning methods on automatic detection of damage in
infrastructure due to extreme events
- Title（参考訳）: 極端事象によるインフラ損傷の自動検出のための工学的深層学習法
- Authors: Yongsheng Bai, Bing Zha, Halil Sezen and Alper Yilmaz
- Abstract要約: 本稿では,深層学習を用いた極端な事象における自動構造損傷検出(SDD)に関する実験的検討を行った。
最初の研究では、152層のResidual Network(ResNet)を用いて8つのSDDタスクで複数のクラスを分類する。
その結果,損傷検出の精度はセグメンテーションネットワークのみを用いた場合に比べて有意に向上した。
- 参考スコア（独自算出の注目度）: 0.38233569758620045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a few comprehensive experimental studies for automated
Structural Damage Detection (SDD) in extreme events using deep learning methods
for processing 2D images. In the first study, a 152-layer Residual network
(ResNet) is utilized to classify multiple classes in eight SDD tasks, which
include identification of scene levels, damage levels, material types, etc. The
proposed ResNet achieved high accuracy for each task while the positions of the
damage are not identifiable. In the second study, the existing ResNet and a
segmentation network (U-Net) are combined into a new pipeline, cascaded
networks, for categorizing and locating structural damage. The results show
that the accuracy of damage detection is significantly improved compared to
only using a segmentation network. In the third and fourth studies, end-to-end
networks are developed and tested as a new solution to directly detect cracks
and spalling in the image collections of recent large earthquakes. One of the
proposed networks can achieve an accuracy above 67.6% for all tested images at
various scales and resolutions, and shows its robustness for these human-free
detection tasks. As a preliminary field study, we applied the proposed method
to detect damage in a concrete structure that was tested to study its
progressive collapse performance. The experiments indicate that these solutions
for automatic detection of structural damage using deep learning methods are
feasible and promising. The training datasets and codes will be made available
for the public upon the publication of this paper.
- Abstract（参考訳）: 本稿では,2次元画像処理のための深層学習手法を用いて,極端事象における自動構造損傷検出(SDD)に関する総合的な実験を行った。
最初の研究では、152層のResidual Network(ResNet)を用いて、シーンレベル、損傷レベル、材料タイプなどを含む8つのSDDタスクの複数のクラスを分類する。
提案するresnetは各タスクにおいて高い精度を達成したが,損傷位置は特定できない。
第2の研究では、既存のResNetとセグメンテーションネットワーク(U-Net)を新しいパイプライン、カスケードネットワークに結合し、構造的損傷の分類と配置を行う。
その結果,損傷検出の精度はセグメンテーションネットワークのみを用いた場合に比べて有意に向上した。
第3報と第4報では,最近の大地震の画像収集における亀裂やスポーリングを直接検出する新しい解として,エンドツーエンドネットワークが開発・テストされている。
提案したネットワークの1つは、様々なスケールと解像度でテストされたすべての画像に対して67.6%以上の精度を達成でき、これらの人間の自由な検出タスクに対する堅牢性を示している。
予備実験として,提案手法を用いてコンクリート構造物の損傷を検知し,その進行崩壊性能について検討した。
実験の結果, 深層学習による構造損傷の自動検出は実現可能で有望であることが示唆された。
トレーニングデータセットとコードは、この記事の公開時に一般公開される予定である。
関連論文リスト
- Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。
KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。
RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文 参考訳（メタデータ） (2024-09-09T13:56:22Z) - Concrete Surface Crack Detection with Convolutional-based Deep Learning
Models [0.0]
き裂検出は、建物の構造的健康モニタリングと検査に重要である。
畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。
我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
論文 参考訳（メタデータ） (2024-01-13T17:31:12Z) - Deep-Disaster: Unsupervised Disaster Detection and Localization Using
Visual Data [14.308913482163558]
ソーシャルメディア画像の損傷を検知し、局所化する、教師なしのディープニューラルネットワークを提案する。
本手法は損傷領域の検出と局所化において最先端の手法より優れている。
論文 参考訳（メタデータ） (2022-01-31T19:21:44Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - Small and large scale critical infrastructures detection based on deep
learning using high resolution orthogonal images [0.0]
本稿では、スマートデータセットと、分解能に依存しないクリティカルインフラストラクチャ検出システムを提案する。
特に、検出モデルの性能から導かれ、我々は2つのスケール、小さくて大規模なデータセットを構築した。
DetDSCI法は、ベースライン検出器に関して最大37,53%のF1改善を達成している。
論文 参考訳（メタデータ） (2021-05-25T11:38:15Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and
Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。
画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。
D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-03T10:54:02Z) - End-to-end Deep Learning Methods for Automated Damage Detection in
Extreme Events at Various Scales [0.4297070083645048]
Mask R-CNNは、地震などの極端な発生時に損傷を受ける可能性のある構造物やその構成要素の亀裂を自動的に検出するために提案され、試験されている。
我々は、トレーニングと検証のために2,021のラベル付き画像を用いた新しいデータセットをキュレートし、フィールドのひび割れ検出のためのエンドツーエンドのディープニューラルネットワークを見つけることを目的とした。
論文 参考訳（メタデータ） (2020-11-05T21:21:19Z) - One-Shot Object Detection without Fine-Tuning [62.39210447209698]
本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。
また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。
提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
論文 参考訳（メタデータ） (2020-05-08T01:59:23Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z) - Multi-Objective Variational Autoencoder: an Application for Smart
Infrastructure Maintenance [1.2311105789643062]
マルチウェイセンシングデータにおけるスマートインフラストラクチャ損傷検出と診断のための多目的変分オートエンコーダ(MVA)手法を提案する。
そこで本手法では,複数のセンサから情報的特徴を抽出し,損傷同定に活用する。
論文 参考訳（メタデータ） (2020-03-11T01:30:08Z)
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。