論文の概要: The 1st Data Science for Pavements Challenge
- arxiv url: http://arxiv.org/abs/2206.04874v1
- Date: Fri, 10 Jun 2022 05:02:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-13 15:09:47.498513
- Title: The 1st Data Science for Pavements Challenge
- Title（参考訳）: 第1回舗装データサイエンスチャレンジ
- Authors: Ashkan Behzadian, Tanner Wambui Muturi, Tianjie Zhang, Hongmin Kim,
Amanda Mullins, Yang Lu, Neema Jasika Owor, Yaw Adu-Gyamfi, William Buttlar,
Majidifard Hamed, Armstrong Aboah, David Mensching, Spragg Robert, Matthew
Corrigan, Jack Youtchef, Dave Eshan
- Abstract要約: Data Science for Pavement Challenge (DSPC)は、舗装条件監視と評価のための自動視覚システムの研究と開発を加速することを目指している。
第1回大会では8カ国22チームが出場した。
論文はトップ5チームからのソリューションを要約している。
- 参考スコア（独自算出の注目度）: 5.610512429240221
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Data Science for Pavement Challenge (DSPC) seeks to accelerate the
research and development of automated vision systems for pavement condition
monitoring and evaluation by providing a platform with benchmarked datasets and
codes for teams to innovate and develop machine learning algorithms that are
practice-ready for use by industry. The first edition of the competition
attracted 22 teams from 8 countries. Participants were required to
automatically detect and classify different types of pavement distresses
present in images captured from multiple sources, and under different
conditions. The competition was data-centric: teams were tasked to increase the
accuracy of a predefined model architecture by utilizing various data
modification methods such as cleaning, labeling and augmentation. A real-time,
online evaluation system was developed to rank teams based on the F1 score.
Leaderboard results showed the promise and challenges of machine for advancing
automation in pavement monitoring and evaluation. This paper summarizes the
solutions from the top 5 teams. These teams proposed innovations in the areas
of data cleaning, annotation, augmentation, and detection parameter tuning. The
F1 score for the top-ranked team was approximately 0.9. The paper concludes
with a review of different experiments that worked well for the current
challenge and those that did not yield any significant improvement in model
accuracy.
- Abstract（参考訳）: Data Science for Pavement Challenge (DSPC)は、チームが業界で活用可能な機械学習アルゴリズムを革新し開発するためのベンチマークデータセットとコードを備えたプラットフォームを提供することによって、舗装条件の監視と評価のための自動視覚システムの研究と開発を加速することを目指している。
第1回大会は8カ国から22チームが参加した。
参加者は、複数のソースから撮影した画像や異なる条件下で、様々な種類の舗装障害を自動的に検出し分類する必要がある。
チームは、クリーニング、ラベル付け、拡張など、さまざまなデータ修正手法を活用することで、事前定義されたモデルアーキテクチャの正確性を高めるように命じられた。
F1スコアに基づいて,リアルタイムオンライン評価システムを開発した。
leaderboardの結果は、舗装の監視と評価における自動化の進歩に対する機械の期待と課題を示した。
本稿では,上位5チームからのソリューションを概説する。
これらのチームは、データクリーニング、アノテーション、拡張、検出パラメータチューニングといった分野のイノベーションを提案した。
上位チームのF1得点は約0.9。
この論文は、現在の課題に対してうまく機能するさまざまな実験と、モデル精度を大幅に改善しなかった実験のレビューで締めくくっている。
関連論文リスト
- SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。
近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。
本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。
SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
論文 参考訳（メタデータ） (2024-04-06T10:30:31Z) - Zero-shot Retrieval: Augmenting Pre-trained Models with Search Engines [83.65380507372483]
大規模で事前訓練されたモデルは、問題を解決するのに必要なタスク固有のデータの量を劇的に削減するが、多くの場合、ドメイン固有のニュアンスを箱から取り出すのに失敗する。
本稿では,NLPとマルチモーダル学習の最近の進歩を活用して,検索エンジン検索による事前学習モデルを強化する方法について述べる。
論文 参考訳（メタデータ） (2023-11-29T05:33:28Z) - Dialogue-Contextualized Re-ranking for Medical History-Taking [5.039849340960835]
本稿では,第1段階の質問候補を再ランク付けすることで,トレーニングと推論のギャップを埋める2段階の再ランク付け手法を提案する。
専門家システムと比較して,提案するトランスフォーマーバックボーンを用いたグローバルリランカにより,最高の性能が得られることがわかった。
論文 参考訳（メタデータ） (2023-04-04T17:31:32Z) - Winning solutions and post-challenge analyses of the ChaLearn AutoDL
challenge 2019 [112.36155380260655]
本稿では,ChaLearnのAutoDLチャレンジシリーズの結果と今後の課題について述べる。
その結果,一般的なニューラルネットワーク探索(NAS)は実用的ではなかったものの,DL手法が支配的であったことが示唆された。
メタラーナー"、"データインジェクタ"、"モデルセレクタ"、"モデル/ラーナー"、"評価器"を特徴とする、ハイレベルなモジュール化組織が登場した。
論文 参考訳（メタデータ） (2022-01-11T06:21:18Z) - AutoML Meets Time Series Regression Design and Analysis of the
AutoSeries Challenge [21.49840594645196]
WSDMカップ2020における最初の自動時系列回帰チャレンジ(AutoSeries)。
設計、分析、ポストホック実験について述べる。
論文 参考訳（メタデータ） (2021-07-28T06:30:46Z) - SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous
Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。
多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。
我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文 参考訳（メタデータ） (2021-06-21T13:55:57Z) - An Empirical Study of Vehicle Re-Identification on the AI City Challenge [19.13038665501964]
Track2は、現実世界のデータと合成データの両方を扱う車両再識別(ReID)タスクである。
主に、この課題におけるトレーニングデータ、教師なしドメイン適応(UDA)トレーニング、後処理、モデルアンサンブルの4点に注目します。
以上の手法により, 最終的に0.7445mAPのスコアが得られた。
論文 参考訳（メタデータ） (2021-05-20T12:20:52Z) - The 5th AI City Challenge [51.83023045451549]
第5回AIシティチャレンジには38カ国305チームが参加した。
アルゴリズムの有効性と計算効率の両面で評価を行った。
結果は、スマートトランスポーテーションにおけるAIの約束を示している。
論文 参考訳（メタデータ） (2021-04-25T19:15:27Z) - Deep Learning Frameworks for Pavement Distress Classification: A
Comparative Analysis [2.752817022620644]
本研究では,舗装の苦痛を検知し,特徴付けるための最先端のディープラーニングアルゴリズムをデプロイする。
モデルは、日本、チェコ、インドの都市部や農村部で撮影された21,041枚の画像を用いて訓練された。
最高のパフォーマンスモデルは、IEEE Global Road Damage Detection Challengeがリリースした2つのテストデータセットで、F1スコアの0.58と0.57を達成した。
論文 参考訳（メタデータ） (2020-10-21T00:26:59Z) - LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。
我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。
この技術的レポートは、課題のハイライトを要約している。
論文 参考訳（メタデータ） (2020-10-17T13:06:12Z) - Gradient-Based Adversarial Training on Transformer Networks for
Detecting Check-Worthy Factual Claims [3.7543966923106438]
本稿では,最初の逆正則変換型クレームスポッタモデルを提案する。
現在の最先端モデルよりもF1スコアが4.70ポイント向上した。
本稿では,変換器モデルに逆学習を適用する手法を提案する。
論文 参考訳（メタデータ） (2020-02-18T16:51:05Z)
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。