論文の概要: A Computer Vision Enabled damage detection model with improved YOLOv5 based on Transformer Prediction Head

• arxiv url: http://arxiv.org/abs/2303.04275v1
• Date: Tue, 7 Mar 2023 22:53:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-09 15:35:14.494982
• Title: A Computer Vision Enabled damage detection model with improved YOLOv5 based on Transformer Prediction Head
• Title（参考訳）: 変圧器予測ヘッドに基づく改良型YOLOv5によるコンピュータビジョンによる損傷検出モデル
• Authors: Arunabha M. Roy and Jayabrata Bhaduri
• Abstract要約: 現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。 DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。 DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective:Computer vision-based up-to-date accurate damage classification and localization are of decisive importance for infrastructure monitoring, safety, and the serviceability of civil infrastructure. Current state-of-the-art deep learning (DL)-based damage detection models, however, often lack superior feature extraction capability in complex and noisy environments, limiting the development of accurate and reliable object distinction. Method: To this end, we present DenseSPH-YOLOv5, a real-time DL-based high-performance damage detection model where DenseNet blocks have been integrated with the backbone to improve in preserving and reusing critical feature information. Additionally, convolutional block attention modules (CBAM) have been implemented to improve attention performance mechanisms for strong and discriminating deep spatial feature extraction that results in superior detection under various challenging environments. Moreover, additional feature fusion layers and a Swin-Transformer Prediction Head (SPH) have been added leveraging advanced self-attention mechanism for more efficient detection of multiscale object sizes and simultaneously reducing the computational complexity. Results: Evaluating the model performance in large-scale Road Damage Dataset (RDD-2018), at a detection rate of 62.4 FPS, DenseSPH-YOLOv5 obtains a mean average precision (mAP) value of 85.25 %, F1-score of 81.18 %, and precision (P) value of 89.51 % outperforming current state-of-the-art models. Significance: The present research provides an effective and efficient damage localization model addressing the shortcoming of existing DL-based damage detection models by providing highly accurate localized bounding box prediction. Current work constitutes a step towards an accurate and robust automated damage detection system in real-time in-field applications.
• Abstract（参考訳）: 目的:コンピュータビジョンに基づく最新のダメージ分類とローカライゼーションは、インフラ監視、安全、および土木インフラのサービス性において決定的な重要性を持つ。 しかし、現在の最先端のディープラーニング(dl)ベースの損傷検出モデルでは、複雑でノイズの多い環境では優れた特徴抽出能力が欠如しており、正確で信頼性の高いオブジェクト識別の開発が制限されている。 方法: DenseSPH-YOLOv5は,DenseNetブロックをバックボーンに統合し,重要な特徴情報の保存・再利用を改善するリアルタイムDLベース高速損傷検出モデルである。 さらに、cbam(convolutional block attention module)が実装され、様々な困難な環境下で優れた検出を可能にする深層空間特徴抽出のための注意性能機構が向上している。 さらに、マルチスケールオブジェクトサイズをより効率的に検出し、計算複雑性を同時に低減するために、高度な自己アテンション機構を活用する機能融合層とSwin-Transformer Prediction Head (SPH)が追加された。 結果: 大規模道路被害データセット(RDD-2018)におけるモデル性能を62.4 FPSで評価すると, DenseSPH-YOLOv5は平均平均精度(mAP)が85.25 %, F1スコアが81.18 %, 精度(P)が89.51 %である。 意義: 本研究は, 高精度な局所的境界ボックス予測を提供することにより, 既存のDLベース損傷検出モデルの欠点に対処する, 効果的かつ効率的な損傷局所化モデルを提供する。 現在の作業は、リアルタイムフィールドアプリケーションにおける正確で堅牢な自動損傷検出システムに向けての一歩となる。

関連論文リスト

• YOLO-ELA: Efficient Local Attention Modeling for High-Performance Real-Time Insulator Defect Detection [0.0]
  無人航空機からの絶縁体欠陥検出のための既存の検出方法は、複雑な背景や小さな物体と競合する。 本稿では,この課題に対処するため,新しい注目基盤アーキテクチャであるYOLO-ELAを提案する。 高分解能UAV画像による実験結果から,本手法は96.9% mAP0.5,リアルタイム検出速度74.63フレーム/秒を実現した。
  論文  参考訳（メタデータ） (2024-10-15T16:00:01Z)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)
• Accelerating Domain-Aware Electron Microscopy Analysis Using Deep Learning Models with Synthetic Data and Image-Wide Confidence Scoring [0.0]
  我々は物理に基づく合成画像とデータ生成装置を作成し、その結果、同等の精度(0.86)、リコール(0.63)、F1スコア(0.71)、エンジニアリング特性予測(R2=0.82)を実現する機械学習モデルを得た。 本研究は,合成データがMLの人間依存を排除し,画像毎に多くの特徴を検出する必要がある場合に,ドメイン認識の手段を提供することを示す。
  論文  参考訳（メタデータ） (2024-08-02T20:15:15Z)
• Structural damage detection via hierarchical damage information with volumetric assessment [1.4470320778878742]
  構造的健康モニタリング(SHM)は、インフラの安全性と寿命を確保するために不可欠である。 本稿では,これらの課題に対処するためのフレームワークであるGuided-DetNetについて紹介する。 Guided-DetNetの特徴は、GAM(Generative Attention Module)、階層的除去アルゴリズム(Hierarchical Elimination Algorithm)、VCVA(Volumetric Contour Visual Assessment)である。
  論文  参考訳（メタデータ） (2024-07-29T04:33:04Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Machine learning-based network intrusion detection for big and imbalanced data using oversampling, stacking feature embedding and feature extraction [6.374540518226326]
  侵入検知システム(IDS)は、悪意あるアクターや活動を検出することによって相互接続ネットワークを保護する上で重要な役割を果たす。 本稿では,データ不均衡にRandom Oversampling (RO) を用いる新しいMLベースのネットワーク侵入検出モデルと,次元削減のためのStacking Feature Embedding (PCA)を提案する。 CIC-IDS 2017データセットを使用すると、DT、RF、ETモデルは99.99%の精度に達し、DTとRFモデルはCIC-IDS 2018データセットで99.94%の精度が得られる。
  論文  参考訳（メタデータ） (2024-01-22T05:49:41Z)
• 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)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• A fast accurate fine-grain object detection model based on YOLOv4 deep neural network [0.0]
  商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。 本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。 提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
  論文  参考訳（メタデータ） (2021-10-30T17:56:13Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• 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)

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。