論文の概要: RustSEG -- Automated segmentation of corrosion using deep learning
- arxiv url: http://arxiv.org/abs/2205.05426v1
- Date: Wed, 11 May 2022 11:48:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 20:57:54.355593
- Title: RustSEG -- Automated segmentation of corrosion using deep learning
- Title（参考訳）: RustSEG -- ディープラーニングによる腐食の自動セグメンテーション
- Authors: B. Burton, W.T. Nash, N. Birbilis
- Abstract要約: RustSEGは、トレーニングのためにピクセルごとのラベル付きデータセットを必要とせずに、自動腐食検出のための画像を正確に分割することができる。
理想的には、画像中の腐食の正確なマスクを生成することができ、画素ごとのトレーニングデータ無しで腐食の自動セグメンテーションが可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The inspection of infrastructure for corrosion remains a task that is
typically performed manually by qualified engineers or inspectors. This task of
inspection is laborious, slow, and often requires complex access. Recently,
deep learning based algorithms have revealed promise and performance in the
automatic detection of corrosion. However, to date, research regarding the
segmentation of images for automated corrosion detection has been limited, due
to the lack of availability of per-pixel labelled data sets which are required
for model training. Herein, a novel deep learning approach (termed RustSEG) is
presented, that can accurately segment images for automated corrosion
detection, without the requirement of per-pixel labelled data sets for
training. The RustSEG method will first, using deep learning techniques,
determine if corrosion is present in an image (i.e. a classification task), and
then if corrosion is present, the model will examine what pixels in the
original image contributed to that classification decision. Finally, the method
can refine its predictions into a pixel-level segmentation mask. In ideal
cases, the method is able to generate precise masks of corrosion in images,
demonstrating that the automated segmentation of corrosion without per-pixel
training data is possible, addressing a significant hurdle in automated
infrastructure inspection.
- Abstract（参考訳）: 腐食のインフラの検査は、資格のある技術者や検査官が手作業で行う作業である。
この検査作業は手間がかかり、遅く、しばしば複雑なアクセスを必要とする。
近年,深層学習に基づくアルゴリズムが腐食の自動検出における可能性と性能を明らかにしている。
しかし, 自動腐食検出のための画像のセグメンテーションに関する研究は, モデルトレーニングに必要な画素ごとのラベル付きデータセットが不足しているため, これまでに限られている。
ここでは,ピクセル単位のラベル付きデータセットを必要とせずに,腐食検出のための画像を正確にセグメント化することが可能な,新しいディープラーニング手法(rustseg)を提案する。
RustSEG法は、まずディープラーニング技術を用いて、画像中に腐食が存在するかどうか(すなわち分類タスク)を判定し、次に、腐食が存在する場合、元の画像のピクセルがその分類決定に寄与するかを調べる。
最後に、その予測をピクセルレベルのセグメンテーションマスクに洗練することができる。
理想的な場合、画像内の腐食の正確なマスクを生成でき、ピクセル単位のトレーニングデータ無しで腐食の自動セグメント化が可能であり、インフラ検査の大幅なハードルに対処できる。
関連論文リスト
- UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - Visual Context-Aware Person Fall Detection [52.49277799455569]
画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。
ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。
トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
論文 参考訳（メタデータ） (2024-04-11T19:06:36Z) - Segmentation tool for images of cracks [0.16492989697868887]
本稿では,画像上のひび割れを手動で分割しやすくする半自動き裂分割ツールを提案する。
また、ひび割れの形状を測定するためにも用いられる。
提案手法は完全自動手法より優れており,手動データアノテーションの適切な代替となる可能性を示している。
論文 参考訳（メタデータ） (2024-03-28T15:23:52Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳（メタデータ） (2023-08-13T10:07:46Z) - Adversarially-Aware Robust Object Detector [85.10894272034135]
本稿では,ロバスト検出器 (RobustDet) を提案する。
本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
論文 参考訳（メタデータ） (2022-07-13T13:59:59Z) - Engineering deep learning methods on automatic detection of damage in
infrastructure due to extreme events [0.38233569758620045]
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。
論文 参考訳（メタデータ） (2022-05-01T19:55:56Z) - DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。
我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。
DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
論文 参考訳（メタデータ） (2021-02-09T12:47:20Z) - CorrDetector: A Framework for Structural Corrosion Detection from Drone
Images using Ensemble Deep Learning [2.108696645677565]
構造腐食モニタリングの領域において, 自動画像解析を応用した新しい手法を提案する。
本研究は,モデルのアンサンブルアプローチが,分類精度において最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-02-09T07:27:16Z) - BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in
Unstructured Driving Environments [54.22535063244038]
非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。
本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
論文 参考訳（メタデータ） (2020-09-22T08:25:44Z) - Pixel-level Corrosion Detection on Metal Constructions by Fusion of Deep
Learning Semantic and Contour Segmentation [13.133263651395865]
金属構造物の腐食検出は、迅速で安全で効果的な検査のための土木工学における大きな課題である。
既存の画像解析手法では、構造解析とプレファブリケーションの両方に不十分な欠陥領域に境界ボックスを配置する傾向がある。
本研究では,3つのセマンティックセグメンテーション指向ディープラーニングモデル(FCN,U-Net,Mask R-CNN)を腐食検出に適用し,精度と時間面で優れた性能を示す。
論文 参考訳（メタデータ） (2020-08-12T09:54:17Z) - Automated detection of corrosion in used nuclear fuel dry storage
canisters using residual neural networks [1.5879005001715347]
本稿では,残留ニューラルネットワーク(ResNet)による腐食のリアルタイム検出を提案する。
提案手法は、核キャニスター画像を小さなタイルに分類し、これらのタイル上でResNetを訓練し、画像が腐食または無傷であると分類する。
その結果、このような深層学習手法により、より小さなタイルによる腐食の軌跡の検出が可能であり、同時に、画像が腐食したキャニスターから来るか否かを高精度に推定できることがわかった。
論文 参考訳（メタデータ） (2020-03-06T14:42:07Z)
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。