論文の概要: RoadScan: A Novel and Robust Transfer Learning Framework for Autonomous
Pothole Detection in Roads
- arxiv url: http://arxiv.org/abs/2308.03467v2
- Date: Sat, 14 Oct 2023 07:02:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 04:08:53.604072
- Title: RoadScan: A Novel and Robust Transfer Learning Framework for Autonomous
Pothole Detection in Roads
- Title（参考訳）: RoadScan: 道路における自動ポットホール検出のための新しいロバストトランスファー学習フレームワーク
- Authors: Guruprasad Parasnis, Anmol Chokshi, Vansh Jain, Kailas Devadkar
- Abstract要約: 本研究では,ディープラーニングと画像処理技術を用いた新しいポットホール検出手法を提案する。
このシステムは、道路利用者に重大なリスクをもたらす道路上の穴の致命的な問題に対処することを目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This research paper presents a novel approach to pothole detection using Deep
Learning and Image Processing techniques. The proposed system leverages the
VGG16 model for feature extraction and utilizes a custom Siamese network with
triplet loss, referred to as RoadScan. The system aims to address the critical
issue of potholes on roads, which pose significant risks to road users.
Accidents due to potholes on the roads have led to numerous accidents. Although
it is necessary to completely remove potholes, it is a time-consuming process.
Hence, a general road user should be able to detect potholes from a safe
distance in order to avoid damage. Existing methods for pothole detection
heavily rely on object detection algorithms which tend to have a high chance of
failure owing to the similarity in structures and textures of a road and a
pothole. Additionally, these systems utilize millions of parameters thereby
making the model difficult to use in small-scale applications for the general
citizen. By analyzing diverse image processing methods and various
high-performing networks, the proposed model achieves remarkable performance in
accurately detecting potholes. Evaluation metrics such as accuracy, EER,
precision, recall, and AUROC validate the effectiveness of the system.
Additionally, the proposed model demonstrates computational efficiency and
cost-effectiveness by utilizing fewer parameters and data for training. The
research highlights the importance of technology in the transportation sector
and its potential to enhance road safety and convenience. The network proposed
in this model performs with a 96.12 % accuracy, 3.89 % EER, and a 0.988 AUROC
value, which is highly competitive with other state-of-the-art works.
- Abstract（参考訳）: 本研究では,ディープラーニングと画像処理技術を用いたポットホール検出手法を提案する。
提案システムは,VGG16モデルを用いて特徴抽出を行い,RoadScanと呼ばれるトリプルト損失を持つカスタムのSiameseネットワークを利用する。
このシステムは、道路利用者に重大なリスクをもたらす道路上の穴の重大な問題に対処することを目的としている。
道路上の穴による事故は、多くの事故を引き起こした。
ポットホールを完全に取り除く必要があるが、時間のかかる工程である。
したがって、一般道路利用者は損傷を避けるため、安全な距離から穴を検知できる必要がある。
既存のポットホール検出法は、道路やポットホールの構造やテクスチャの類似性により故障の確率が高い物体検出アルゴリズムに大きく依存している。
さらに、これらのシステムは数百万のパラメータを利用するため、一般市民向けの小規模アプリケーションではモデルの使用が困難になる。
多様な画像処理手法と多種多様なハイパフォーマンスネットワークを解析することにより,ポットホールを正確に検出する際の優れた性能を実現する。
精度、EER、精度、リコール、AUROCなどの評価指標は、システムの有効性を検証する。
さらに,本モデルでは,少ないパラメータとデータを用いて計算効率と費用対効果を示す。
この研究は、交通分野における技術の重要性と、道路安全と利便性を高める可能性を強調している。
このモデルで提案されたネットワークは96.12 %の精度、3.89 %のEER、0.988のAUROC値で動作し、これは他の最先端技術と非常に競合する。
関連論文リスト
- 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) - 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) - Improving Online Lane Graph Extraction by Object-Lane Clustering [106.71926896061686]
本稿では,局所レーングラフの推定精度を向上させるために,アーキテクチャと損失の定式化を提案する。
提案手法は,中心線をクラスタ中心とすることで,対象を中心線に割り当てることを学ぶ。
提案手法は既存の3次元オブジェクト検出手法の出力を用いて,大幅な性能向上を実現することができることを示す。
論文 参考訳（メタデータ） (2023-07-20T15:21:28Z) - 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) - Blind-Spot Collision Detection System for Commercial Vehicles Using
Multi Deep CNN Architecture [0.17499351967216337]
高レベル特徴記述子に基づく2つの畳み込みニューラルネットワーク(CNN)は、重車両の盲点衝突を検出するために提案される。
盲点車両検出のための高次特徴抽出のための2つの事前学習ネットワークを統合するために,融合手法を提案する。
機能の融合により、より高速なR-CNNの性能が大幅に向上し、既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-08-17T11:10:37Z) - Active Learning of Neural Collision Handler for Complex 3D Mesh
Deformations [68.0524382279567]
3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。
提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
論文 参考訳（メタデータ） (2021-10-08T04:08:31Z) - Real-Time Pothole Detection Using Deep Learning [0.0]
本研究は,ポットホールを検出するために,異なるディープラーニングアーキテクチャをデプロイし,テストした。
トレーニングに使用された画像は、車のフロントガラスに取り付けられた携帯電話で収集された。
このシステムは、カメラから100メートル離れた範囲から穴を検出できた。
論文 参考訳（メタデータ） (2021-07-13T19:36:34Z) - Incident Detection on Junctions Using Image Processing [0.0]
軌道情報は、魚眼カメラからストリームされる視覚データの車両検出および追跡アルゴリズムによって提供される。
提案システムは, 車両検出で84.6%, 合成データで異常検出で96.8%の成功を収めた。
論文 参考訳（メタデータ） (2021-04-27T19:18:05Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T16:38:26Z) - Rethinking Road Surface 3D Reconstruction and Pothole Detection: From
Perspective Transformation to Disparity Map Segmentation [34.27692655476825]
ポトホール検出は通常、構造エンジニアまたは認定検査官によって行われます。
本稿では,道路差マップ推定とセグメンテーションに基づく効率的なポットホール検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-19T22:41:23Z) - Road Curb Detection and Localization with Monocular Forward-view Vehicle
Camera [74.45649274085447]
魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。
我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
論文 参考訳（メタデータ） (2020-02-28T00:24:18Z)
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。