Fugu-MT 論文翻訳(概要): A Deep Neural Network for Multiclass Bridge Element Parsing in Inspection Image Analysis

論文の概要: A Deep Neural Network for Multiclass Bridge Element Parsing in Inspection Image Analysis

arxiv url: http://arxiv.org/abs/2209.02141v1
Date: Mon, 5 Sep 2022 21:02:08 GMT
ステータス: 処理完了
システム内更新日: 2022-09-07 14:07:26.255161
Title: A Deep Neural Network for Multiclass Bridge Element Parsing in Inspection Image Analysis
Title（参考訳）: 検査画像解析における多クラスブリッジ要素解析のためのディープニューラルネットワーク
Authors: Chenyu Zhang, Muhammad Monjurul Karim, Zhaozheng Yin, Ruwen Qin
Abstract要約: 本稿では,検査画像における多クラスブリッジ要素のパースに適したディープニューラルネットワーク(DNN)を決定することを目的とする。データ拡張と130の画像のトレーニングサンプルにより、事前訓練されたHRNetは、構造要素解析のタスクに効率的に転送される。
参考スコア（独自算出の注目度）: 9.635496805334899
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Aerial robots such as drones have been leveraged to perform bridge inspections. Inspection images with both recognizable structural elements and apparent surface defects can be collected by onboard cameras to provide valuable information for the condition assessment. This article aims to determine a suitable deep neural network (DNN) for parsing multiclass bridge elements in inspection images. An extensive set of quantitative evaluations along with qualitative examples show that High-Resolution Net (HRNet) possesses the desired ability. With data augmentation and a training sample of 130 images, a pre-trained HRNet is efficiently transferred to the task of structural element parsing and has achieved a 92.67% mean F1-score and 86.33% mean IoU.
Abstract（参考訳）: ドローンのような空中ロボットは橋梁検査に活用されている。検知可能な構造要素と明らかな表面欠陥の両方を有する検査画像をオンボードカメラで収集し、条件評価に有用な情報を提供する。本稿では,検査画像における多クラスブリッジ要素の解析に適したディープニューラルネットワーク(DNN)を決定することを目的とする。定量的評価と定性的な例により、高分解能ネット(HRNet)が望ましい能力を持っていることが示されている。データ拡張と130の画像のトレーニングサンプルにより、事前訓練されたHRNetは、構造要素解析のタスクに効率的に移行され、92.67%の平均F1スコアと86.33%の平均IoUを達成した。

関連論文リスト

Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
Heuristic Hyperparameter Choice for Image Anomaly Detection [0.3867363075280543]
画像の異常検出は、ディープラーニングニューラルネットワークによる基本的なコンピュータビジョン問題である。モデルは通常、ImageNetのような分類タスクのための大きなデータセットで事前訓練される。本研究の目的は,これらの特徴に対してNPCA(Negated principal Component Analysis)の次元削減を行うことである。
論文参考訳（メタデータ） (2023-07-20T19:20:35Z)
A Light-weight Deep Learning Model for Remote Sensing Image Classification [70.66164876551674]
リモートセンシング画像分類(RSIC)のための高性能で軽量なディープラーニングモデルを提案する。 NWPU-RESISC45ベンチマークで広範な実験を行うことで、提案した教師学生モデルは最先端システムより優れている。
論文参考訳（メタデータ） (2023-02-25T09:02:01Z)
A Multitask Deep Learning Model for Parsing Bridge Elements and Segmenting Defect in Bridge Inspection Images [1.476043573732074]
合衆国の広大な橋網は、その維持と修復に高い要求を課している。橋の状況を評価するための視覚検査の膨大なコストは、ある程度の負担であることが判明した。本稿では,橋梁要素と欠陥の相互依存性を完全に活用するマルチタスクディープニューラルネットワークを開発する。
論文参考訳（メタデータ） (2022-09-06T02:48:15Z)
Knowledge Distillation for Oriented Object Detection on Aerial Images [1.827510863075184]
本稿では,KD-RNetの知識蒸留による空中画像の回転物体検出のためのモデル圧縮手法を提案する。大規模空中物体検出データセット(DOTA)による実験結果から,提案したKD-RNetモデルにより,パラメータ数を削減した平均値精度(mAP)が向上し,同時にKD-RNetは,基底アノテーションと高い重なり合う高品質検出を提供することで,性能を向上することを示した。
論文参考訳（メタデータ） (2022-06-20T14:24:16Z)
A semi-supervised self-training method to develop assistive intelligence for segmenting multiclass bridge elements from inspection videos [6.75013674088437]
本稿では,検査ビデオから多クラス橋要素をセグメント化するための補助情報モデルを開発する。大規模な公開データセットで事前トレーニングされたマスクリージョンベースの畳み込みニューラルネットワーク(Mask R-CNN)が新しいタスクに転送された。半教師付き自己訓練(S$3$T)法が開発され、経験豊富な検査官がネットワークを精査する。
論文参考訳（メタデータ） (2021-09-10T19:22:45Z)
One-Shot Object Affordance Detection in the Wild [76.46484684007706]
Affordance Detectionは、画像内のオブジェクトの潜在的なアクション可能性を特定することを指す。我々は、人間の行動目的を推定し、それを転送して、すべての候補画像から共通価格を検出するワンショットアフォーダンス検出ネットワーク(OSAD-Net)を考案する。複雑なシーンと豊富なアノテーションによって、当社のPADv2データセットは、アベイランス検出メソッドをベンチマークするためのテストベッドとして使用することができます。
論文参考訳（メタデータ） (2021-08-08T14:53:10Z)
Object Detection in Aerial Images: A Large-Scale Benchmark and Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。 70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文参考訳（メタデータ） (2021-02-24T11:20:55Z)
BAF-Detector: An Efficient CNN-Based Detector for Photovoltaic Cell Defect Detection [7.151552353494974]
本稿では,マルチスケール機能融合を実現するため,注意に基づくトップダウン・ボトムアップアーキテクチャを開発した。高速RCNN+FPNの領域提案ネットワーク(RPN)にBAFPNを組み込んだ新しい物体検出器BAF-Detectorが提案されている。 3629個の画像と2129個の欠陥を含む大規模ELデータセットの実験結果から,提案手法は98.70%(F測定),88.07%(mAP),73.29%(IoU)のマルチスケール欠陥分類を達成した。
論文参考訳（メタデータ） (2020-12-19T08:48:14Z)
Learning Deep Interleaved Networks with Asymmetric Co-Attention for Image Restoration [65.11022516031463]
本稿では,高品質(本社)画像再構成のために,異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。本稿では,各インターリーブノードにアタッチメントされた非対称なコアテンション(AsyCA)を提案し,その特性依存性をモデル化する。提案したDINはエンドツーエンドで訓練でき、様々な画像復元タスクに適用できる。
論文参考訳（メタデータ） (2020-10-29T15:32:00Z)
Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2020-05-15T23:57:36Z)

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。