論文の概要: Deep learning on rail profiles matching

• arxiv url: http://arxiv.org/abs/2205.08687v1
• Date: Wed, 18 May 2022 01:50:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 21:07:32.472801
• Title: Deep learning on rail profiles matching
• Title（参考訳）: レールプロファイルマッチングの深層学習
• Authors: Kunqi Wang
• Abstract要約: まず,46386対のプロフェッショナルな手動マッチングデータからなるレールプロファイルマッチングデータセットを構築し,事前学習された畳み込みニューラルネットワーク(CNN)を用いたレールプロファイルマッチングのための一般的な高精度手法を提案する。 ディープラーニングに基づくこの新しい手法は、この問題の主流のアプローチとなることを約束している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matching the rail cross-section profiles measured on site with the designed profile is a must to evaluate the wear of the rail, which is very important for track maintenance and rail safety. So far, the measured rail profiles to be matched usually have four features, that is, large amount of data, diverse section shapes, hardware made errors, and human experience needs to be introduced to solve the complex situation on site during matching process. However, traditional matching methods based on feature points or feature lines could no longer meet the requirements. To this end, we first establish the rail profiles matching dataset composed of 46386 pairs of professional manual matched data, then propose a general high-precision method for rail profiles matching using pre-trained convolutional neural network (CNN). This new method based on deep learning is promising to be the dominant approach for this issue. Source code is at https://github.com/Kunqi1994/Deep-learning-on-rail-profile-matching.
• Abstract（参考訳）: 現場で測定されたレール断面プロファイルと設計されたプロファイルとを一致させるには、レールの摩耗を評価する必要がある。 これまでのところ、一致すべきレールプロファイルは、通常、大量のデータ、多様な断面形状、ハードウェアのエラー、そしてマッチングプロセス中のサイトの複雑な状況を解決するために、人間の経験の4つの特徴を持つ。 しかし、機能ポイントや機能ラインに基づいた従来のマッチングメソッドはもはや要件を満たせない。 そこで我々はまず,46386対のマニュアルマッチングデータからなるレールプロファイルマッチングデータセットを構築し,事前学習された畳み込みニューラルネットワーク(CNN)を用いて,レールプロファイルマッチングのための一般的な高精度手法を提案する。 深層学習に基づくこの新しい手法は,この問題に対して支配的なアプローチであることを約束している。 ソースコードはhttps://github.com/kunqi1994/deep-learning-on-rail-profile-matchingにある。

関連論文リスト

• Ultra-Fast Adaptive Track Detection Network [4.873803159184741]
  本稿では,超高速適応トラック検出ネットワークを提案する。 SRailデータセットのF1スコアは98.68%、検出レートは473 FPSである。
  論文  参考訳（メタデータ） (2024-05-22T11:19:26Z)
• Wooden Sleeper Deterioration Detection for Rural Railway Prognostics Using Unsupervised Deeper FCDDs [0.0]
  本研究では, 鉄道部品の欠陥に対する深いFCDDを用いた一級損傷分類を自動化するための識別器パイプラインを考案した。 畳み込みニューラルネットワーク(CNN)を用いた深部骨のアブレーション研究も行った。 曇りの日当たりの後方から鉄道線路の映像取得データセットを用いた鉄道検査への適用を実演した。
  論文  参考訳（メタデータ） (2023-05-09T00:16:49Z)
• Optimal transfer protocol by incremental layer defrosting [66.76153955485584]
  トランスファーラーニングは、限られた量のデータでモデルトレーニングを可能にする強力なツールである。 最も単純な転送学習プロトコルは、データリッチなソースタスクで事前訓練されたネットワークの機能抽出層を凍結する。 このプロトコルは、しばしば準最適であり、事前学習されたネットワークの小さな部分を凍結したままにしておくと、最大の性能向上が達成される可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T17:32:11Z)
• Rethink Long-tailed Recognition with Vision Transformers [18.73285611631722]
  ビジョントランスフォーマー(ViT)は、長い尾のデータでトレーニングするのが難しい。 ViTは教師なしの方法で一般化された特徴を学習する。 予測分布(英: Predictive Distribution、PDC)は、長手認識のための新しい指標である。
  論文  参考訳（メタデータ） (2023-02-28T03:36:48Z)
• Intersection of Parallels as an Early Stopping Criterion [64.8387564654474]
  そこで本研究では,検証セットを必要とせずに,トレーニングイテレーションの早期停止点を見つける手法を提案する。 幅広い学習率において,コサイン距離基準 (CDC) と呼ばれる手法は,比較したすべての手法よりも平均的な一般化に寄与する。
  論文  参考訳（メタデータ） (2022-08-19T19:42:41Z)
• PreTraM: Self-Supervised Pre-training via Connecting Trajectory and Map [58.53373202647576]
  軌道予測のための自己教師付き事前学習方式であるPreTraMを提案する。 1) トラジェクティブ・マップ・コントラクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・コントラクティブ・ラーニング)、(2) トラジェクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)、(2) トラジェクティブ・コントラクティブ・ラーニング(トラジェクティブ・ラーニング)の2つのパートから構成される。 AgentFormerやTrajectron++といった一般的なベースラインに加えて、PreTraMは、挑戦的なnuScenesデータセット上で、FDE-10でパフォーマンスを5.5%と6.9%向上させる。
  論文  参考訳（メタデータ） (2022-04-21T23:01:21Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• How Important is the Train-Validation Split in Meta-Learning? [155.5088631672781]
  メタラーニングにおける一般的な実践は、前者がデータの1つの分割に対してタスクに適応し、その結果の予測器が別の分割に対して評価される列車バリデーション分割(emphtrain-val method)を実行することである。 有病率にもかかわらず、列車の改札の重要性は理論上も実際上もよく理解されていない。 そこで本研究では,実際のメタ学習タスクとシミュレーションの両方において,トレイン・トレイン法がトレイン・ヴァル法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-12T16:48:42Z)
• Out-of-the-box channel pruned networks [3.957174470017176]
  ランダムなチャネルワイドプルーニングポリシのプロファイルは,メトリックベースと同等であることを示す。 次に、あるデータセットから排他的ランダム検索を用いて発見されたトップ層ワイドプルーニングプロファイルが、他のデータセットの上位プロファイルであることを示す。
  論文  参考訳（メタデータ） (2020-04-30T04:40:47Z)

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。