論文の概要: Visual Fault Detection of Multi-scale Key Components in Freight Trains
- arxiv url: http://arxiv.org/abs/2211.14522v1
- Date: Sat, 26 Nov 2022 09:20:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 20:00:24.161431
- Title: Visual Fault Detection of Multi-scale Key Components in Freight Trains
- Title（参考訳）: 貨物列車におけるマルチスケールキーコンポーネントの視覚的故障検出
- Authors: Yang Zhang, Yang Zhou, Huilin Pan, Bo Wu, and Guodong Sun
- Abstract要約: 本稿では,列車故障検出のための軽量アンカーフリーフレームワークを提案する。
軽量なバックボーンを導入し、ローカライゼーションと回帰のためにアンカーフリーな手法を採用する。
我々のフレームワークは98.44%の精度で、モデルのサイズは22.5MBに過ぎず、最先端の検出器よりも優れている。
- 参考スコア（独自算出の注目度）: 9.447245934910063
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Fault detection for key components in the braking system of freight trains is
critical for ensuring railway transportation safety. Despite the frequently
employed methods based on deep learning, these fault detectors are highly
reliant on hardware resources and are complex to implement. In addition, no
train fault detectors consider the drop in accuracy induced by scale variation
of fault parts. This paper proposes a lightweight anchor-free framework to
solve the above problems. Specifically, to reduce the amount of computation and
model size, we introduce a lightweight backbone and adopt an anchor-free method
for localization and regression. To improve detection accuracy for multi-scale
parts, we design a feature pyramid network to generate rectangular layers of
different sizes to map parts with similar aspect ratios. Experiments on four
fault datasets show that our framework achieves 98.44% accuracy while the model
size is only 22.5 MB, outperforming state-of-the-art detectors.
- Abstract（参考訳）: 貨物列車の制動システムにおける主要部品の故障検出は、鉄道交通の安全確保に不可欠である。
ディープラーニングに基づく手法が頻繁に使用されているにも関わらず、これらのフォールト検出器はハードウェアリソースに依存しており、実装が複雑である。
さらに、列車故障検出装置は、断層部のスケール変動による精度低下を考慮していない。
本稿では,上記の問題を解決する軽量アンカーフリーフレームワークを提案する。
具体的には,計算量とモデルサイズを減らすために,軽量なバックボーンを導入し,ローカライゼーションと回帰のためのアンカーフリーな手法を採用する。
マルチスケール部品の検知精度を向上させるために,異なる大きさの長方形層を生成する特徴ピラミッドネットワークを設計し,類似のアスペクト比で部品をマップする。
4つの断層データセットの実験により、我々のフレームワークは98.44%の精度で、モデルのサイズは22.5MBに過ぎず、最先端の検出器よりも優れていた。
関連論文リスト
- Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。
KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。
RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文 参考訳（メタデータ） (2024-09-09T13:56:22Z) - WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - Global Context Aggregation Network for Lightweight Saliency Detection of
Surface Defects [70.48554424894728]
我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。
まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。
3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
論文 参考訳（メタデータ） (2023-09-22T06:19:11Z) - DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。
特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。
マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
論文 参考訳（メタデータ） (2023-08-03T17:59:04Z) - Efficient Visual Fault Detection for Freight Train Braking System via
Heterogeneous Self Distillation in the Wild [8.062167870951706]
本稿では,検出精度と速度を確保するため,不均一な自己蒸留フレームワークを提案する。
我々は,学習効率を向上させるために,ラベル付近の値にネットワークを集中させる新たな損失関数を用いる。
我々のフレームワークは毎秒37フレーム以上を達成でき、従来の蒸留法と比較して高い精度を維持することができる。
論文 参考訳（メタデータ） (2023-07-03T01:27:39Z) - Lightweight wood panel defect detection method incorporating attention
mechanism and feature fusion network [9.775181958901326]
本稿では,注目機構と特徴融合ネットワークを組み込んだYOLOv5-LWという軽量な木材パネル欠陥検出手法を提案する。
提案手法は92.8%の精度でパラメータ数を27.78%削減し,計算量を41.25%圧縮し,検出速度を10.16%向上させる。
論文 参考訳（メタデータ） (2023-06-21T08:55:45Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳（メタデータ） (2022-06-14T13:22:19Z) - A Lightweight NMS-free Framework for Real-time Visual Fault Detection
System of Freight Trains [11.195801283133994]
貨物列車のリアルタイム視覚に基づく故障検出システム(RVBS-FD)は、鉄道交通の安全確保に不可欠である。
既存の視覚ベースの手法の多くは、畳み込みニューラルネットワークに基づく計算コストが高い。
リアルタイム検出と高精度を同時に実現する軽量NMSフリーフレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-25T03:07:48Z) - The KFIoU Loss for Rotated Object Detection [115.334070064346]
本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。
具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。
KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
論文 参考訳（メタデータ） (2022-01-29T10:54:57Z) - Automatic Detection of Rail Components via A Deep Convolutional
Transformer Network [7.557470133155959]
レール,クリップ,ボルトを含む多種鉄道部品を検出するための深層畳み込み変圧器ネットワーク方式を提案する。
提案手法は,アンカーボックス,アスペクト比,デフォルト座標,後処理などの事前設定を不要にすることで,検出パイプラインを単純化する。
総合的な計算結果から,提案手法は既存の最先端手法よりも大きなマージンを持つことを示す。
論文 参考訳（メタデータ） (2021-08-05T07:38:04Z) - A Unified Light Framework for Real-time Fault Detection of Freight Train
Images [16.721758280029302]
貨物列車のリアルタイム故障検出は、鉄道輸送の安全と最適運転を保証する上で重要な役割を担っている。
深層学習に基づくアプローチの有望な結果にもかかわらず、貨物列車画像におけるこれらの断層検出器の性能は精度と効率の両立には程遠い。
本稿では,リソース要求の少ないリアルタイム動作をサポートしながら,検出精度を向上させるための統一光フレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-31T05:10:20Z)
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。