論文の概要: Road Damages Detection and Classification with YOLOv7
- arxiv url: http://arxiv.org/abs/2211.00091v1
- Date: Mon, 31 Oct 2022 18:55:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:01:45.357148
- Title: Road Damages Detection and Classification with YOLOv7
- Title（参考訳）: YOLOv7による道路損傷の検出と分類
- Authors: Vung Pham, Du Nguyen, Christopher Donan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Maintaining the roadway infrastructure is one of the essential factors in
enabling a safe, economic, and sustainable transportation system. Manual
roadway damage data collection is laborious and unsafe for humans to perform.
This area is poised to benefit from the rapid advance and diffusion of
artificial intelligence technologies. Specifically, deep learning advancements
enable the detection of road damages automatically from the collected road
images. This work proposes to collect and label road damage data using Google
Street View and use YOLOv7 (You Only Look Once version 7) together with
coordinate attention and related accuracy fine-tuning techniques such as label
smoothing and ensemble method to train deep learning models for automatic road
damage detection and classification. The proposed approaches are applied to the
Crowdsensing-based Road Damage Detection Challenge (CRDDC2022), IEEE BigData
2022. The results show that the data collection from Google Street View is
efficient, and the proposed deep learning approach results in F1 scores of
81.7% on the road damage data collected from the United States using Google
Street View and 74.1% on all test images of this dataset.
- Abstract（参考訳）: 道路インフラの維持は、安全で経済的で持続可能な輸送システムを実現する上で重要な要素の1つである。
手動による道路損傷データ収集は、人間が行うのに手間がかかり、安全ではない。
この領域は人工知能技術の急速な進歩と普及の恩恵を受けている。
具体的には、深層学習の進歩により、収集した道路画像から道路損傷を自動的に検出することができる。
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)と座標注意とラベル平滑化やアンサンブル法などの細調整技術を用いて,道路被害の自動検出・分類のためのディープラーニングモデルを訓練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。
その結果、Googleストリートビューのデータ収集は効率的であることが示され、提案されたディープラーニングアプローチは、Googleストリートビューを使用して米国から収集された道路損傷データの81.7%、このデータセットの全テストイメージの74.1%をF1スコアとする。
関連論文リスト
- Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。
我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
論文 参考訳（メタデータ） (2024-06-30T04:21:46Z) - Computer vision-based model for detecting turning lane features on Florida's public roadways [2.5849315636929475]
本研究では,AIを用いた高解像度空中画像からフロリダ州の公道の道路特徴を検出する。
抽出された道路形状データは、事故や交通データと統合して、政策立案者や道路利用者に貴重な洞察を与えることができる。
論文 参考訳（メタデータ） (2024-06-13T05:28:53Z) - Cut-and-Paste with Precision: a Content and Perspective-aware Data Augmentation for Road Damage Detection [5.939858158928473]
道路の損傷は、道路インフラの完全性、安全性、耐久性に重大な課題をもたらす可能性がある。
近年、道路監視アプリケーションにおいて、画像に基づく損傷検出のための様々なデータ駆動手法が研究されている。
本稿では、コンテンツ認識(すなわち、画像中の道路の真の位置を考える)と視点認識(すなわち、注入された損傷と対象画像との視点の差を考慮する)の両面から改善されたカット・アンド・ペースト増強手法を提案する。
論文 参考訳（メタデータ） (2024-06-06T09:06:42Z) - LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions [61.87108000328186]
レーン検出(LD)は自律走行システムにおいて不可欠な要素であり、適応型クルーズ制御や自動車線センターなどの基本的な機能を提供している。
既存のLDベンチマークは主に、環境錯覚に対するLDモデルの堅牢性を無視し、一般的なケースを評価することに焦点を当てている。
本稿では、LDに対する環境錯覚による潜在的な脅威について検討し、LanEvilの最初の総合ベンチマークを確立する。
論文 参考訳（メタデータ） (2024-06-03T02:12:27Z) - 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) - Automatic Extraction of Relevant Road Infrastructure using Connected
vehicle data and Deep Learning Model [4.235459779667272]
本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。
道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。
実験の結果,97%のF1スコア,90%のF1スコアに到達した。
論文 参考訳（メタデータ） (2023-08-10T15:57:47Z) - 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) - RDD2022: A multi-national image dataset for automatic Road Damage
Detection [0.0]
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。
論文 参考訳（メタデータ） (2022-09-18T11:29:49Z) - 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) - 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) - Targeted Physical-World Attention Attack on Deep Learning Models in Road
Sign Recognition [79.50450766097686]
本稿では,現実の道路標識攻撃に対するTAA手法を提案する。
実験の結果,TAA法は攻撃成功率(約10%)を向上し,RP2法と比較して摂動損失(約4分の1)を減少させることがわかった。
論文 参考訳（メタデータ） (2020-10-09T02:31:34Z)
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。