論文の概要: A hierarchical semantic segmentation framework for computer vision-based bridge damage detection

• arxiv url: http://arxiv.org/abs/2207.08878v1
• Date: Mon, 18 Jul 2022 18:42:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 13:44:34.581196
• Title: A hierarchical semantic segmentation framework for computer vision-based bridge damage detection
• Title（参考訳）: コンピュータビジョンに基づく橋梁損傷検出のための階層的意味セグメンテーションフレームワーク
• Authors: Jingxiao Liu, Yujie Wei, Bingqing Chen
• Abstract要約: 遠隔カメラと無人航空機(UAV)を用いたコンピュータビジョンによる損傷検出は、効率的で低コストなブリッジの健康モニタリングを可能にする。 本稿では,コンポーネントカテゴリと損傷タイプ間の階層的意味関係を強制するセグメンテーションフレームワークを提案する。 このようにして、損傷検出モデルは、潜在的な損傷領域からのみ学習特徴に焦点をあてることができ、他の無関係領域の影響を避けることができる。
• 参考スコア（独自算出の注目度）: 3.7642333932730634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer vision-based damage detection using remote cameras and unmanned aerial vehicles (UAVs) enables efficient and low-cost bridge health monitoring that reduces labor costs and the needs for sensor installation and maintenance. By leveraging recent semantic image segmentation approaches, we are able to find regions of critical structural components and recognize damage at the pixel level using images as the only input. However, existing methods perform poorly when detecting small damages (e.g., cracks and exposed rebars) and thin objects with limited image samples, especially when the components of interest are highly imbalanced. To this end, this paper introduces a semantic segmentation framework that imposes the hierarchical semantic relationship between component category and damage types. For example, certain concrete cracks only present on bridge columns and therefore the non-column region will be masked out when detecting such damages. In this way, the damage detection model could focus on learning features from possible damaged regions only and avoid the effects of other irrelevant regions. We also utilize multi-scale augmentation that provides views with different scales that preserves contextual information of each image without losing the ability of handling small and thin objects. Furthermore, the proposed framework employs important sampling that repeatedly samples images containing rare components (e.g., railway sleeper and exposed rebars) to provide more data samples, which addresses the imbalanced data challenge.
• Abstract（参考訳）: リモートカメラと無人航空機(UAV)を用いたコンピュータビジョンによる損傷検出は、作業コストとセンサーの設置とメンテナンスの必要性を低減し、効率的で低コストなブリッジヘルスモニタリングを可能にする。 最近のセマンティックイメージセグメンテーションアプローチを利用することで、重要な構造コンポーネントの領域を見つけ出し、画像のみを入力として画素レベルでの損傷を認識することができる。 しかし、画像サンプルが限られている小さな損傷(例えば亀裂や露出したリバー)や薄い物体を検出した場合、特に関心の成分が高度に不均衡な場合には、既存の手法は不十分である。 そこで本稿では,コンポーネントカテゴリと損傷タイプ間の階層的意味関係を課すセマンティックセグメンテーションフレームワークを提案する。 例えば、特定のコンクリートひび割れは橋梁にのみ存在するため、この損傷を検知すると非カラム領域は遮蔽される。 このようにして、損傷検出モデルは、損傷のある地域のみからの学習特徴に焦点を当て、他の無関係地域の影響を避けることができる。 また,画像の文脈情報を保持する異なるスケールのビューを提供するマルチスケール拡張も活用し,小型・薄型オブジェクトの処理能力を失っている。 さらに,不均衡なデータ課題に対処するために,レアなコンポーネント(鉄道スリーパーや露出したリバーなど)を含む画像を繰り返しサンプリングし,より多くのデータサンプルを提供する重要なサンプリング手法を提案する。

関連論文リスト

• Structural damage detection via hierarchical damage information with volumetric assessment [3.1033928913175766]
  検出後、検出された損傷のマニュアル評価に依存することが課題である。 Guided-DetNetは、GAM(Generative Attention Module)、階層的除去アルゴリズム(Hierarchical Elimination Algorithm)、VCVA(Volumetric Contour Visual Assessment)によって特徴付けられる。 Guided-DetNetは、トリプル分類タスクにおいて最もよく比較されたモデルよりも3%以下で、メトリクスの異なる二重検出タスクでは2%以下で優れていた。
  論文  参考訳（メタデータ） (2024-07-29T04:33:04Z)
• 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)
• Few Shot Part Segmentation Reveals Compositional Logic for Industrial Anomaly Detection [11.996050578189056]
  本稿では,論理異常(LA)検出のための新しいコンポーネントセグメンテーションモデルを提案する。 ラベル付き画像間の一貫したセグメンテーションを確保するために,エントロピーロスと合わせてヒストグラムマッチングロスを用いる。 LAを効果的に検出するために,異なるメモリバンクからの異常スコアを推論で標準化する適応スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-12-21T12:14:31Z)
• Improving Vision Anomaly Detection with the Guidance of Language Modality [64.53005837237754]
  本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。 本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。 視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
  論文  参考訳（メタデータ） (2023-10-04T13:44:56Z)
• Unsupervised Skin Lesion Segmentation via Structural Entropy Minimization on Multi-Scale Superpixel Graphs [59.19218582436495]
  本研究では,構造エントロピーと孤立林外層検出に基づく非教師付き皮膚病変sEgmentationフレームワーク,すなわちSLEDを提案する。 皮膚病変は、皮膚内視鏡像から構築した超画素グラフの構造エントロピーを最小化することにより区分される。 健康な皮膚の特徴の整合性を特徴とし, マルチスケールのセグメンテーション機構を考案し, マルチスケールのスーパーピクセル特徴を活用して, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2023-09-05T02:15:51Z)
• PAIF: Perception-Aware Infrared-Visible Image Fusion for Attack-Tolerant Semantic Segmentation [50.556961575275345]
  対向シーンにおけるセグメンテーションの堅牢性を促進するための認識認識型融合フレームワークを提案する。 我々は,先進の競争相手に比べて15.3% mIOUの利得で,ロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-08-08T01:55:44Z)
• High-Resolution Vision Transformers for Pixel-Level Identification of Structural Components and Damage [1.8923948104852863]
  視覚変換器とラプラシアピラミッドスケーリングネットワークに基づくセマンティックセグメンテーションネットワークを開発した。 提案手法は,橋梁検査報告画像のデータセットに関する総合的な実験を通じて評価されている。
  論文  参考訳（メタデータ） (2023-08-06T03:34:25Z)
• High-Fidelity Visual Structural Inspections through Transformers and Learnable Resizers [2.126862120884775]
  無人航空機(UAV)と人工知能の最近の進歩により、視覚検査はより速く、より安全で、より信頼性が高い。 高解像度セグメンテーションは、高い計算メモリ要求のために非常に難しい。 本稿では,グローバルとローカルのセマンティクスのトレードオフを管理することで,異なる検査タスクに適応できるハイブリッド戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-21T18:08:26Z)
• You Better Look Twice: a new perspective for designing accurate detectors with reduced computations [56.34005280792013]
  BLT-netは、新しい低計算の2段階オブジェクト検出アーキテクチャである。 非常にエレガントな第1ステージを使用して、オブジェクトをバックグラウンドから分離することで、計算を削減します。 結果のイメージ提案は、高度に正確なモデルによって第2段階で処理される。
  論文  参考訳（メタデータ） (2021-07-21T12:39:51Z)
• Synthetic Image Augmentation for Damage Region Segmentation using Conditional GAN with Structure Edge [0.0]
  画像から画像への変換マッピングを用いて、損傷画像を生成する合成拡張手法を提案する。 我々は,FCN-8s,SegNet,DeepLabv3+Xception-v2などの画素ごとのセグメンテーションアルゴリズムを適用した。 合成拡張法で加算されたデータセットの再トレーニングは、平均IoU、興味の損傷領域IoU、精度、リコール、BFスコアに基づいて、テスト画像の予測時に精度が高くなることを示した。
  論文  参考訳（メタデータ） (2020-05-07T06:04:02Z)
• 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)

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。