論文の概要: One-class Damage Detector Using Deeper Fully-Convolutional Data Descriptions for Civil Application

• arxiv url: http://arxiv.org/abs/2303.01732v3
• Date: Mon, 8 May 2023 16:12:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 22:51:59.225773
• Title: One-class Damage Detector Using Deeper Fully-Convolutional Data Descriptions for Civil Application
• Title（参考訳）: 深層完全畳み込みデータ記述を用いた一級損傷検出法
• Authors: Takato Yasuno, Masahiro Okano, Junichiro Fujii
• Abstract要約: モデルパラメータを最適化するために、通常の画像を使用することができる点において、一級損傷検出アプローチには利点がある。 本稿では,FCDDをベースラインモデルとして再現した一級損傷検出の汎用アプリケーションを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrastructure managers must maintain high standards to ensure user satisfaction during the lifecycle of infrastructures. Surveillance cameras and visual inspections have enabled progress in automating the detection of anomalous features and assessing the occurrence of deterioration. However, collecting damage data is typically time consuming and requires repeated inspections. The one-class damage detection approach has an advantage in that normal images can be used to optimize model parameters. Additionally, visual evaluation of heatmaps enables us to understand localized anomalous features. The authors highlight damage vision applications utilized in the robust property and localized damage explainability. First, we propose a civil-purpose application for automating one-class damage detection reproducing a fully convolutional data description (FCDD) as a baseline model. We have obtained accurate and explainable results demonstrating experimental studies on concrete damage and steel corrosion in civil engineering. Additionally, to develop a more robust application, we applied our method to another outdoor domain that contains complex and noisy backgrounds using natural disaster datasets collected using various devices. Furthermore, we propose a valuable solution of deeper FCDDs focusing on other powerful backbones to improve the performance of damage detection and implement ablation studies on disaster datasets. The key results indicate that the deeper FCDDs outperformed the baseline FCDD on datasets representing natural disaster damage caused by hurricanes, typhoons, earthquakes, and four-event disasters.
• Abstract（参考訳）: インフラストラクチャマネージャは、インフラストラクチャのライフサイクル中にユーザの満足度を確保するために、高い基準を維持しなければならない。 監視カメラと視覚検査は異常な特徴の検出と劣化発生の診断の自動化に進歩をもたらした。 しかし、被害データの収集は通常、時間がかかるため、繰り返し検査が必要となる。 one-class damage detectionアプローチは、通常のイメージをモデルパラメータの最適化に使用できるという利点がある。 さらに、ヒートマップの視覚的評価により、局所的な異常な特徴を理解することができる。 筆者らは,ロバスト特性と局所的損傷説明可能性に利用される損傷ビジョンアプリケーションに注目した。 まず,ベースラインモデルとして完全畳み込みデータ記述(FCDD)を再現した一級損傷検出を自動化する汎用アプリケーションを提案する。 土木工学におけるコンクリートの損傷と鋼の腐食に関する実験的研究を, 正確かつ説明可能な結果を得た。 さらに,より堅牢なアプリケーションを開発するために,様々な機器を用いて収集した自然災害データセットを用いて,複雑でノイズの多い背景を含む別の屋外ドメインに適用した。 さらに,損傷検出の性能向上と災害データセットのアブレーション研究を実施するために,他の強力なバックボーンに着目したFCDDのより深い解を提案する。 その結果, 深部FCDDは, ハリケーン, 台風, 地震, および4回の災害による自然災害被害を示すデータセットにおいて, ベースラインFCDDよりも優れていたことが示唆された。

関連論文リスト

• Imagery Dataset for Condition Monitoring of Synthetic Fibre Ropes [0.0]
  このデータセットは、正常なSFRと欠陥のあるSFRの両方を表す合計6,942の生画像からなる。 データセットは、オブジェクトの検出、分類、セグメンテーションを含むコンピュータビジョンアプリケーションをサポートするリソースとして機能する。 このデータセットを生成する目的は、自動欠陥検出システムの開発を支援することである。
  論文  参考訳（メタデータ） (2023-09-29T08:42:44Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• Disaster Anomaly Detector via Deeper FCDDs for Explainable Initial Responses [0.0]
  あらゆる災害イベントにおいて、最初の応答は72時間以内に救助し、回復を急ぐ鍵である。 機械学習アルゴリズムのうち、深い異常検出は日常の特徴とは異なる破壊的特徴を検出するのに有効である。 本稿では,より深い完全畳み込みデータ記述(FCDD)を利用した異常検出アプリケーションを提案する。 VGG16バックボーンを持つ深いFCDDは、他のベースラインであるCNN27、ResNet101、Inceptionv3より一貫して優れていた。
  論文  参考訳（メタデータ） (2023-06-05T00:44:39Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Multi-view deep learning for reliable post-disaster damage classification [0.0]
  本研究は,人工知能(AI)と多視点画像を用いた,より信頼性の高い建築損傷分類を実現することを目的とする。 提案モデルでは, ハリケーン・ハーヴェイに続き, 調査対象の建物について, 専門家ラベル付きジオタグ付き画像を含む偵察視覚データセットを訓練し, 検証した。
  論文  参考訳（メタデータ） (2022-08-06T01:04:13Z)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• Superpixel-Based Building Damage Detection from Post-earthquake Imagery Using Deep Neural Networks [6.527607790666018]
  地震後の被害検知は, 効果的な緊急対応行動の開始に不可欠である。 本稿では,Deep Neural Networks (DNN) と修正セグメンテーション手法を組み合わせた,新しいスーパーピクセルベースのアプローチを提案する。 2015年ネパール地震のWorldView-2画像による実験結果から,本手法の有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2021-12-09T08:05:02Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Assessing out-of-domain generalization for robust building damage detection [78.6363825307044]
  建築損傷検出は、衛星画像にコンピュータビジョン技術を適用することで自動化することができる。 モデルは、トレーニングで利用可能な災害画像と、新しいイベントの画像の間の分散の変化に対して堅牢でなければならない。 今後はOOD体制に重点を置くべきだと我々は主張する。
  論文  参考訳（メタデータ） (2020-11-20T10:30:43Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。