論文の概要: RDD2022: A multi-national image dataset for automatic Road Damage Detection

• arxiv url: http://arxiv.org/abs/2209.08538v1
• Date: Sun, 18 Sep 2022 11:29:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 15:47:35.300005
• Title: RDD2022: A multi-national image dataset for automatic Road Damage Detection
• Title（参考訳）: RDD2022: 道路被害自動検出のための多国間画像データセット
• Authors: Deeksha Arya (1 and 2), Hiroya Maeda (3), Sanjay Kumar Ghosh (1), Durga Toshniwal (1), Yoshihide Sekimoto (2) ((1) Indian Institute of Technology Roorkee, India, (2) The University of Tokyo, Japan, (3) UrbanX Technologies, Inc., Tokyo, Japan)
• Abstract要約: このデータセットは、日本、インド、チェコ、ノルウェー、米国、中国6カ国の道路画像47,420枚で構成されている。 本データセットでは, 縦断裂, 横断裂, アリゲータ亀裂, ポットホールの4種類の道路損傷を捉えた。 このデータセットは、クラウドセンシングに基づく道路被害検出チャレンジ(CRDDC2022)の一部としてリリースされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The data article describes the Road Damage Dataset, RDD2022, which comprises 47,420 road images from six countries, Japan, India, the Czech Republic, Norway, the United States, and China. The images have been annotated with more than 55,000 instances of road damage. Four types of road damage, namely longitudinal cracks, transverse cracks, alligator cracks, and potholes, are captured in the dataset. The annotated dataset is envisioned for developing deep learning-based methods to detect and classify road damage automatically. The dataset has been released as a part of the Crowd sensing-based Road Damage Detection Challenge (CRDDC2022). The challenge CRDDC2022 invites researchers from across the globe to propose solutions for automatic road damage detection in multiple countries. The municipalities and road agencies may utilize the RDD2022 dataset, and the models trained using RDD2022 for low-cost automatic monitoring of road conditions. Further, computer vision and machine learning researchers may use the dataset to benchmark the performance of different algorithms for other image-based applications of the same type (classification, object detection, etc.).
• Abstract（参考訳）: このデータには、日本、インド、チェコ、ノルウェー、米国、中国の6カ国の47,420枚の道路画像が含まれている。 画像には55,000件以上の道路損傷が記録されている。 本データセットでは, 縦断裂, 横断裂, アリゲータ亀裂, ポットホールの4種類の道路損傷を捉えた。 この注釈付きデータセットは、道路損傷を自動的に検出し分類する深層学習に基づく手法を開発することを想定している。 このデータセットは、クラウドセンシングに基づく道路被害検出チャレンジ(CRDDC2022)の一部としてリリースされた。 CRDDC2022の課題は、世界中の研究者を招き、複数の国で道路損傷の自動検出ソリューションを提案することである。 自治体や道路機関は、RDD2022データセットと、RDD2022を用いて訓練された道路条件の自動監視モデルを利用することができる。 さらに、コンピュータビジョンと機械学習の研究者は、データセットを使用して、同じタイプの画像ベースのアプリケーション(分類、オブジェクト検出など)に対して、異なるアルゴリズムのパフォーマンスをベンチマークすることができる。

関連論文リスト

• RDD4D: 4D Attention-Guided Road Damage Detection And Classification [15.300130944077704]
  本稿では,個々の画像から多様な道路被害タイプを抽出する新しい道路被害検出データセットを提案する。 また、Attention4Dブロックを利用したRDD4Dというモデルも提供しています。
  論文  参考訳（メタデータ） (2025-01-06T07:48:04Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• Road Damages Detection and Classification with YOLOv7 [0.0]
  本研究は,Googleストリートビューを用いて道路被害データを収集,ラベル付けし,YOLOv7(You Only Look Once Version 7)を使用することを提案する。 提案手法は,クラウドセンシングによる道路被害検出チャレンジ (CRDDC2022, IEEE BigData 2022) に適用される。
  論文  参考訳（メタデータ） (2022-10-31T18:55:58Z)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• A Computer Vision-assisted Approach to Automated Real-Time Road Infrastructure Management [0.0]
  そこで本研究では,車両ダッシュボード搭載スマートフォンカメラを用いて,道路災害をリアルタイムに検出・分類するための監視対象検出手法を提案する。 IEEEの2020 Global Road damage Detection (GRDC) Challengeに参加した121チームのトップ5にランクインした。
  論文  参考訳（メタデータ） (2022-02-27T04:08:00Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• TJU-DHD: A Diverse High-Resolution Dataset for Object Detection [48.94731638729273]
  大規模でリッチな多様性と高解像度のデータセットは、よりよいオブジェクト検出方法を開発する上で重要な役割を果たす。 私たちは多種多様な高解像度データセット(TJU-DHD)を構築します。 データセットには115,354枚の高解像度画像と709,330個のラベル付きオブジェクトが含まれており、スケールと外観に大きな違いがある。
  論文  参考訳（メタデータ） (2020-11-18T09:32:24Z)
• Road Damage Detection using Deep Ensemble Learning [36.24563211765782]
  道路損傷の効率的な検出と分類のためのアンサンブルモデルを提案する。 我々のソリューションは、You Only Look Once (YOLO-v4)として知られる最先端の物体検出器を利用する。 テスト1データセットでF1スコアが0.628、テスト2データセットで0.6358に達した。
  論文  参考訳（メタデータ） (2020-10-30T03:18:14Z)
• Transfer Learning-based Road Damage Detection for Multiple Countries [41.74498230885008]
  自治体や道路当局は 道路被害の自動評価を 実施しようとしています。 日本は、道路自動監視のための安価で手軽なスマートフォンベースの方法を開発した。 本研究は,他国における日本語モデルのユーザビリティを評価する。 スマートフォンを用いて複数の国から収集した26620枚の画像からなる大規模異種道路被害データセットを提案する。
  論文  参考訳（メタデータ） (2020-08-30T06:48:00Z)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)

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。