論文の概要: Pavementscapes: a large-scale hierarchical image dataset for asphalt pavement damage segmentation

• arxiv url: http://arxiv.org/abs/2208.00775v1
• Date: Sun, 24 Jul 2022 03:40:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-07 14:27:33.553823
• Title: Pavementscapes: a large-scale hierarchical image dataset for asphalt pavement damage segmentation
• Title（参考訳）: 舗装景観:アスファルト舗装損傷セグメンテーションのための大規模階層画像データセット
• Authors: Zheng Tong, Tao Ma, Ju Huyan, Weiguang Zhang
• Abstract要約: 本研究では,舗装損傷セグメンテーション手法の開発と評価を行う大規模データセットPavementscapesを提案する。 合計8,680件の損傷事例には、ピクセルレベルで6つの損傷クラスが手動でラベル付けされている。 数値実験では、舗装損傷をセグメント化できる高い性能のディープニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 9.160763314165367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pavement damage segmentation has benefited enormously from deep learning. % and large-scale datasets. However, few current public datasets limit the potential exploration of deep learning in the application of pavement damage segmentation. To address this problem, this study has proposed Pavementscapes, a large-scale dataset to develop and evaluate methods for pavement damage segmentation. Pavementscapes is comprised of 4,000 images with a resolution of $1024 \times 2048$, which have been recorded in the real-world pavement inspection projects with 15 different pavements. A total of 8,680 damage instances are manually labeled with six damage classes at the pixel level. The statistical study gives a thorough investigation and analysis of the proposed dataset. The numeral experiments propose the top-performing deep neural networks capable of segmenting pavement damages, which provides the baselines of the open challenge for pavement inspection. The experiment results also indicate the existing problems for damage segmentation using deep learning, and this study provides potential solutions.
• Abstract（参考訳）: 舗装損傷セグメンテーションは深層学習の恩恵を受けている。 %と大規模データセットであった。 しかし、現在の公共データセットは、舗装損傷区分の適用においてディープラーニングの潜在的な探索を制限するものはほとんどない。 そこで本研究では,舗装損傷セグメンテーションの手法を開発し評価するための大規模データセットPavementscapesを提案する。 舗装景観は4,000枚の画像で構成され、解像度は1024 \times 2048$で、15の異なる舗装を持つ現実世界の舗装検査プロジェクトで記録されている。 合計8,680件のダメージインスタンスは、ピクセルレベルで6つのダメージクラスで手動でラベル付けされる。 統計的研究は、提案されたデータセットの詳細な調査と分析を提供する。 数値実験では、舗装の損傷をセグメント化できるトップパフォーマンスのディープニューラルネットワークを提案し、舗装検査のオープンチャレンジのベースラインを提供する。 実験結果からは, 深層学習による損傷セグメンテーションの問題点が示唆され, 本研究は潜在的な解決策を提供する。

関連論文リスト

• A Performance Increment Strategy for Semantic Segmentation of Low-Resolution Images from Damaged Roads [0.0]
  新興国の代表的データセットは、貧弱な道路の低解像度画像で構成されている。 このシナリオでは、3つの課題が生じる: ピクセルが少ないオブジェクト、未定義の形状を持つオブジェクト、非常に不足したクラス。 これらの課題に対処するため、この研究は、パフォーマンスを高めるための14のトレーニング実験の方法論として、セマンティックのパフォーマンスインクリメント戦略(PISSS)を提案する。
  論文  参考訳（メタデータ） (2024-11-25T11:27:42Z)
• Pavement Fatigue Crack Detection and Severity Classification Based on Convolutional Neural Network [8.233892677749276]
  疲労き裂、またはアリゲーターき裂( alligator cracking)はアスファルト舗装の一般的な苦難の1つである。 2つの目的を達成できる新しい深層畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-22T19:56:03Z)
• Perspective Aware Road Obstacle Detection [104.57322421897769]
  道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。 画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。 次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
  論文  参考訳（メタデータ） (2022-10-04T17:48:42Z)
• A Multi-purpose Real Haze Benchmark with Quantifiable Haze Levels and Ground Truth [61.90504318229845]
  本稿では,ハズフリー画像とその場でのハズ密度測定を併用した,最初の実画像ベンチマークデータセットを提案する。 このデータセットはコントロールされた環境で生成され、プロの煙発生装置がシーン全体を覆っている。 このデータセットのサブセットは、CVPR UG2 2022 チャレンジの Haze Track における Object Detection に使用されている。
  論文  参考訳（メタデータ） (2022-06-13T19:14:06Z)
• NHA12D: A New Pavement Crack Dataset and a Comparison Study Of Crack Detection Algorithms [1.3792760290422186]
  本稿では, アートクラック検出アルゴリズムの性能を評価するために, 比較検討を行った。 異なる視点と舗装タイプを持つ画像を含むより包括的アノテート舗装クラックデータセット(NHA12D)を提案する。 全体としては、VGG-16をバックボーンとするU-Netモデルは、最高のオールアラウンド性能を持つが、一般的にはコンクリート製の継手とひび割れを区別することができない。
  論文  参考訳（メタデータ） (2022-05-02T20:22:50Z)
• Occlusion-aware Unsupervised Learning of Depth from 4-D Light Fields [50.435129905215284]
  4次元光場処理と解析のための教師なし学習に基づく深度推定法を提案する。 光場データの特異な幾何学構造に関する基礎知識に基づいて,光場ビューのサブセット間の角度コヒーレンスを探索し,深度マップを推定する。 提案手法は,従来の手法と同等の精度で計算コストを低減した深度マップを作成できる。
  論文  参考訳（メタデータ） (2021-06-06T06:19:50Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)
• An Efficient and Scalable Deep Learning Approach for Road Damage Detection [0.0]
  本稿では,画像に基づく苦難データをリアルタイムに分析するためのディープラーニングに基づくサーベイ手法を提案する。 縦ひび割れ,横ひび割れ,アリゲーターひび割れなど,ひび割れの多種多様な種類からなるデータベースを用いる。 提案されたモデルでは、F1スコアは52%から56%まで、平均推測時間は毎秒178-10枚だった。
  論文  参考訳（メタデータ） (2020-11-18T23:05:41Z)
• Comprehensive Semantic Segmentation on High Resolution UAV Imagery for Natural Disaster Damage Assessment [0.26249027950824505]
  災害シナリオにおける視覚知覚のための大規模ハリケーン・マイケルデータセットを提案する。 セマンティックセグメンテーションのための最先端のディープニューラルネットワークモデルを分析する。
  論文  参考訳（メタデータ） (2020-09-02T17:07:28Z)
• 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)
• GraspNet: A Large-Scale Clustered and Densely Annotated Dataset for Object Grasping [49.777649953381676]
  我々は,統合評価システムを用いた大規模グリップポーズ検出データセットに貢献する。 データセットには87,040枚のRGBD画像と3億7000万枚以上のグリップポーズが含まれている。
  論文  参考訳（メタデータ） (2019-12-31T18:15:11Z)

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。