論文の概要: Road Rutting Detection using Deep Learning on Images
- arxiv url: http://arxiv.org/abs/2209.14225v1
- Date: Wed, 28 Sep 2022 16:53:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 17:21:17.481827
- Title: Road Rutting Detection using Deep Learning on Images
- Title（参考訳）: 画像の深層学習を用いた道路ラッティング検出
- Authors: Poonam Kumari Saha (1), Deeksha Arya (1), Ashutosh Kumar (1), Hiroya
Maeda (2), Yoshihide Sekimoto (1) ((1) The University of Tokyo, Japan, (2)
Urban-X Technologies, Inc., Tokyo, Japan)
- Abstract要約: 道路ラッティングは、道路の早期かつコストのかかる保守コストの早期の故障を引き起こす深刻な道路難題である。
本稿では,949個の画像からなる新しい道路ラッティングデータセットを提案し,オブジェクトレベルのアノテーションとピクセルレベルのアノテーションを提供する。
オブジェクト検出モデルとセマンティックセグメンテーションモデルは,提案したデータセット上での道路変動を検出するためにデプロイされた。
- 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: Road rutting is a severe road distress that can cause premature failure of
road incurring early and costly maintenance costs. Research on road damage
detection using image processing techniques and deep learning are being
actively conducted in the past few years. However, these researches are mostly
focused on detection of cracks, potholes, and their variants. Very few research
has been done on the detection of road rutting. This paper proposes a novel
road rutting dataset comprising of 949 images and provides both object level
and pixel level annotations. Object detection models and semantic segmentation
models were deployed to detect road rutting on the proposed dataset, and
quantitative and qualitative analysis of model predictions were done to
evaluate model performance and identify challenges faced in the detection of
road rutting using the proposed method. Object detection model YOLOX-s achieves
mAP@IoU=0.5 of 61.6% and semantic segmentation model PSPNet (Resnet-50)
achieves IoU of 54.69 and accuracy of 72.67, thus providing a benchmark
accuracy for similar work in future. The proposed road rutting dataset and the
results of our research study will help accelerate the research on detection of
road rutting using deep learning.
- Abstract（参考訳）: 道路ラッティングは、道路の早期かつコストのかかる保守コストの早期の故障を引き起こす深刻な道路難題である。
近年,画像処理技術と深層学習を用いた道路損傷検出の研究が盛んに行われている。
しかし、これらの研究は主に亀裂、穴、およびそれらの変種の検出に焦点を当てている。
道路ラッティングの検出に関する研究はほとんど行われていない。
本稿では,949画像からなる新しい道路ラッピングデータセットを提案し,オブジェクトレベルとピクセルレベルのアノテーションを提供する。
提案するデータセット上での道路ラッティングを検出するために,オブジェクト検出モデルと意味セグメンテーションモデルが配置され,モデル性能を評価するためにモデル予測の定量的・定性解析を行い,提案手法を用いた道路ラッティング検出に直面する課題を同定した。
オブジェクト検出モデルYOLOX-sはmAP@IoU=0.5の61.6%、セマンティックセグメンテーションモデルPSPNet(Resnet-50)は54.69のIoUと72.67の精度を達成した。
提案した道路ラッティングデータセットと本研究の結果は,深層学習を用いた道路ラッティング検出研究の加速に寄与する。
関連論文リスト
- AI Powered Road Network Prediction with Multi-Modal Data [0.9426448361599084]
本研究では,低解像度衛星画像とGPSトラジェクトリデータの両方を利用する融合戦略を用いて,ディープラーニングを用いた道路自動検出のための革新的なアプローチを提案する。
我々は,早期と後期の融合戦略を厳密に検討し,異なる融合設定を用いて深層学習に基づく道路検出性能を評価する。
論文 参考訳（メタデータ） (2023-12-28T14:31:07Z) - 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) - YOLOv8-Based Visual Detection of Road Hazards: Potholes, Sewer Covers,
and Manholes [0.0]
本研究は,道路危険度検出の文脈において,対象物検出モデルであるYOLOv8の総合評価を行う。
従来の YOLOv5 と YOLOv7 の比較分析を行い、様々なアプリケーションにおける計算効率の重要性を強調した。
この研究は、様々なテストシナリオで計算されたmAPスコアを用いて、モデルの堅牢性と一般化能力を評価する。
論文 参考訳（メタデータ） (2023-10-31T18:33:26Z) - SalienDet: A Saliency-based Feature Enhancement Algorithm for Object
Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。
我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。
オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文 参考訳（メタデータ） (2023-05-11T16:19:44Z) - Spatio-Temporal Context Modeling for Road Obstacle Detection [12.464149169670735]
トレーニングデータのレイアウトを用いて、駆動シーンのデータ駆動コンテキスト時間モデルを構築する。
障害物は最先端のオブジェクト検出アルゴリズムによって検出され、結果は生成されたシーンと組み合わせられる。
論文 参考訳（メタデータ） (2023-01-19T07:06:35Z) - 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) - TraCon: A novel dataset for real-time traffic cones detection using deep
learning [7.759841699582662]
本研究では,交通円錐の効率的かつ迅速な検出のための解を見つけるために,YOLOv5アルゴリズムを用いる。
YOLOv5はIoUのスコアを91.31%まで高感度で検出できる。
論文 参考訳（メタデータ） (2022-05-24T06:51:58Z) - Cross-Camera Trajectories Help Person Retrieval in a Camera Network [124.65912458467643]
既存の手法では、純粋な視覚的マッチングや時間的制約を考慮することが多いが、カメラネットワークの空間情報は無視する。
本稿では,時間的情報と空間的情報を統合したクロスカメラ生成に基づく歩行者検索フレームワークを提案する。
本手法の有効性を検証するため,最初のカメラ横断歩行者軌跡データセットを構築した。
論文 参考訳（メタデータ） (2022-04-27T13:10:48Z) - AutoOD: Automated Outlier Detection via Curiosity-guided Search and
Self-imitation Learning [72.99415402575886]
外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。
本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。
さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2020-06-19T18:57:51Z) - UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional
Variational Autoencoders [81.5490760424213]
データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。
そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
論文 参考訳（メタデータ） (2020-04-13T04:12:59Z) - Unsupervised Pixel-level Road Defect Detection via Adversarial
Image-to-Frequency Transform [8.644679871804872]
本稿では,AIFT(Adversarial Image-to-Frequency Transform)を用いた道路欠陥検出のための教師なし手法を提案する。
AIFTは、欠陥検出モデルの導出において、教師なしの方法と敵対的な学習を採用するため、道路舗装欠陥に対するアノテーションは不要である。
論文 参考訳（メタデータ） (2020-01-30T04:50:00Z)
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。