論文の概要: AI-Driven Road Maintenance Inspection v2: Reducing Data Dependency & Quantifying Road Damage

• arxiv url: http://arxiv.org/abs/2210.03570v1
• Date: Fri, 7 Oct 2022 14:11:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 14:17:05.022892
• Title: AI-Driven Road Maintenance Inspection v2: Reducing Data Dependency & Quantifying Road Damage
• Title（参考訳）: AI駆動の道路メンテナンス検査 v2:データ依存の低減と道路損傷の定量化
• Authors: Haris Iqbal, Hemang Chawla, Arnav Varma, Terence Brouns, Ahmed Badar, Elahe Arani, Bahram Zonooz
• Abstract要約: 道路インフラの整備検査は、通常、全ての道路利用者の安全を確保するために労働集約的で重要な作業である。 道路損傷検出のためのラベルを生成するために,少数ショット学習やアウト・オブ・ディストリビューション検出といった手法を活用することで,自動ラベリングパイプラインを提案する。 これらの技術で訓練されたAIモデルは、人間のアノテーションの要求を減らした実世界のデータをより一般化するだけでなく、メンテナンスの緊急さを見積もることも示している。
• 参考スコア（独自算出の注目度）: 11.052502162865206
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Road infrastructure maintenance inspection is typically a labor-intensive and critical task to ensure the safety of all road users. Existing state-of-the-art techniques in Artificial Intelligence (AI) for object detection and segmentation help automate a huge chunk of this task given adequate annotated data. However, annotating videos from scratch is cost-prohibitive. For instance, it can take an annotator several days to annotate a 5-minute video recorded at 30 FPS. Hence, we propose an automated labelling pipeline by leveraging techniques like few-shot learning and out-of-distribution detection to generate labels for road damage detection. In addition, our pipeline includes a risk factor assessment for each damage by instance quantification to prioritize locations for repairs which can lead to optimal deployment of road maintenance machinery. We show that the AI models trained with these techniques can not only generalize better to unseen real-world data with reduced requirement for human annotation but also provide an estimate of maintenance urgency, thereby leading to safer roads.
• Abstract（参考訳）: 道路インフラの整備検査は、通常、全ての道路利用者の安全を確保するために労働集約的で重要な作業である。 オブジェクト検出とセグメンテーションのためのAI(Artificial Intelligence)の最先端技術は、適切な注釈付きデータによって、このタスクの膨大な部分を自動化するのに役立つ。 しかし、スクラッチで動画をアノテートするのはコストがかかる。 例えば、30FPSで記録された5分間のビデオに注釈を付けるのに数日かかる。 そこで本研究では,少数ショット学習やアウト・オブ・ディストリビューション検出といった手法を活用して,道路損傷検出のためのラベルを生成する自動ラベリングパイプラインを提案する。 さらに,道路整備機械の最適配置に繋がる修復工事の場所を優先順位付けするために,事例定量化による各被害に対するリスクファクター評価を含む。 これらの技術で訓練されたAIモデルは、人間のアノテーションの要求を減らした実世界のデータに対して、より一般化できるだけでなく、メンテナンスの緊急性を見積もって、より安全な道路を実現することができる。

関連論文リスト

• Terrain characterisation for online adaptability of automated sonar processing: Lessons learnt from operationally applying ATR to sidescan sonar in MCM applications [0.0]
  本稿では,AUV(Autonomous Underwater Vehicles)ミッションにおける説明性向上のための2つのオンライン海底特性評価手法を提案する。 どちらの手法も、地形の複雑さに対する人間の理解に関連する地形の特徴を抽出するために、教師なしの機械学習アプローチに依存している。 最初の技術は、ATRアルゴリズムの性能に基づいて、定量的でアプリケーション駆動の地形特性指標を提供する。 第2の方法は,主題の専門知識を取り入れ,シナリオ依存型主観的地形特徴化を支援するための文脈化と説明可能性を実現する方法である。
  論文  参考訳（メタデータ） (2024-04-29T12:48:42Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• 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)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Have We Ever Encountered This Before? Retrieving Out-of-Distribution Road Obstacles from Driving Scenes [3.7748662901422807]
  本稿では,OoD道路障害物を映像ストリーム中のシーンから抽出するテキストベースの手法を提案する。 提案手法は,OoDセグメンテーションとマルチモーダル基礎モデルの最近の進歩を利用する。 テキストベースのOoDオブジェクト検索における新しいタスクに対する最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-08T13:02:36Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Dynamic loss balancing and sequential enhancement for road-safety assessment and traffic scene classification [0.0]
  道路安全検査は、道路インフラに寄与する道路事故死者を減らすのに欠かせない手段である。 最近の研究は、道路安全属性としても知られる、慎重に選択されたリスク要因の観点から、道路安全評価を形式化している。 本稿では,2段階のニューラルネットワークによる認識を自動化することにより,退屈な人的労働への依存を減らすことを提案する。
  論文  参考訳（メタデータ） (2022-11-08T11:10:07Z)
• Identification of Driver Phone Usage Violations via State-of-the-Art Object Detection with Tracking [8.147652597876862]
  道路沿いのカメラで人間の介入を必要とせずに運転者用電話機の使用状況を把握できる、カスタムトレーニングされた最先端物体検出器を提案する。 提案手法はウインドスクリーンのグラアに起因する問題にも対処し、これを改善するために必要なステップを紹介している。
  論文  参考訳（メタデータ） (2021-09-05T16:37:03Z)
• AI Driven Road Maintenance Inspection [1.367628810606956]
  本稿では,人工知能とコンピュータビジョンの最先端技術を用いて,保守検査サブタスクの相当な部分を自動化する手法を提案する。 提案手法は,物体検出やセマンティックセグメンテーションといった最先端のコンピュータビジョン技術を用いて,主要道路構造物の検査を自動化する。 我々のAIモデルは、主要道路構造物の保守検査を自動化するだけでなく、従来の手動検査と比較して高いリコールをもたらすことを実証している。
  論文  参考訳（メタデータ） (2021-06-04T15:59:46Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in Unstructured Driving Environments [54.22535063244038]
  非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。 本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
  論文  参考訳（メタデータ） (2020-09-22T08:25:44Z)

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。