論文の概要: dacl10k: Benchmark for Semantic Bridge Damage Segmentation

• arxiv url: http://arxiv.org/abs/2309.00460v1
• Date: Fri, 1 Sep 2023 13:46:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-04 13:20:38.727514
• Title: dacl10k: Benchmark for Semantic Bridge Damage Segmentation
• Title（参考訳）: dacl10k:semantic bridge damage segmentationのベンチマーク
• Authors: Johannes Flotzinger, Philipp J. R\"osch, Thomas Braml
• Abstract要約: dacl10kは、現実世界の橋梁検査から得られる9,920枚の画像からなる、セマンティックセグメンテーションのための非常に多様なRCDデータセットである。 dacl10kは、建物評価と推奨行動において重要な役割を果たす6つのブリッジコンポーネントに加えて、12の損傷クラスを区別する。
• 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: Reliably identifying reinforced concrete defects (RCDs)plays a crucial role in assessing the structural integrity, traffic safety, and long-term durability of concrete bridges, which represent the most common bridge type worldwide. Nevertheless, available datasets for the recognition of RCDs are small in terms of size and class variety, which questions their usability in real-world scenarios and their role as a benchmark. Our contribution to this problem is "dacl10k", an exceptionally diverse RCD dataset for multi-label semantic segmentation comprising 9,920 images deriving from real-world bridge inspections. dacl10k distinguishes 12 damage classes as well as 6 bridge components that play a key role in the building assessment and recommending actions, such as restoration works, traffic load limitations or bridge closures. In addition, we examine baseline models for dacl10k which are subsequently evaluated. The best model achieves a mean intersection-over-union of 0.42 on the test set. dacl10k, along with our baselines, will be openly accessible to researchers and practitioners, representing the currently biggest dataset regarding number of images and class diversity for semantic segmentation in the bridge inspection domain.
• Abstract（参考訳）: 鉄筋コンクリート欠陥(rcds)を確実に同定することは, 橋梁の構造的完全性, 交通安全, 長期耐久性を評価する上で重要な役割を担っている。 それでも、RCDを認識するためのデータセットは、サイズとクラスの多様性の観点からは小さく、実際のシナリオにおけるユーザビリティと、ベンチマークとしての彼らの役割を疑問視している。 この問題に対する我々の貢献は"dacl10k"であり、実世界の橋梁検査から得られる9,920個の画像からなる多ラベルセマンティックセグメンテーションのための非常に多様なRCDデータセットである。 dacl10kは12の損傷クラスと6つのブリッジコンポーネントを区別し、建物のアセスメントにおいて重要な役割を果たす。 さらに,dacl10kのベースラインモデルについて検討し,評価を行った。 最良のモデルはテスト集合上で平均交点オーバー結合 0.42 を達成する。 dacl10kは我々のベースラインと共に 研究者や実践者に公開され ブリッジ検査領域における セマンティックセグメンテーションのための 画像の数とクラスの多様性に関する 最大のデータセットを表します

関連論文リスト

• Law of the Weakest Link: Cross Capabilities of Large Language Models [102.91861246827797]
  我々は,Large Language Models (LLMs) が "Law of the Weakest Link" を示すことを示した。 これらの結果は, クロスキャパビリティタスクにおけるLLMの低性能化を浮き彫りにした。
  論文  参考訳（メタデータ） (2024-09-30T05:12:01Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• SARDet-100K: Towards Open-Source Benchmark and ToolKit for Large-Scale SAR Object Detection [79.23689506129733]
  我々は,大規模SARオブジェクト検出のための新しいベンチマークデータセットとオープンソース手法を構築した。 私たちのデータセットであるSARDet-100Kは、10の既存のSAR検出データセットの厳格な調査、収集、標準化の結果です。 私たちの知る限りでは、SARDet-100KはCOCOレベルの大規模マルチクラスSARオブジェクト検出データセットとしては初めてのものです。
  論文  参考訳（メタデータ） (2024-03-11T09:20:40Z)
• dacl1k: Real-World Bridge Damage Dataset Putting Open-Source Data to the Test [0.6827423171182154]
  dacl1kは1,474枚の画像を含む建築検査に基づく多ラベル分類のための多ラベルRCDデータセットである。 我々は、オープンソースデータ(メタデータセット)の異なる組み合わせに基づいてモデルを訓練し、その後、外在的にも内在的にも評価された。 dacl1kの性能分析は、メタデータの実用性を示し、最良のモデルでは、Exact Match比が32%である。
  論文  参考訳（メタデータ） (2023-09-07T15:05:35Z)
• Cascade-DETR: Delving into High-Quality Universal Object Detection [99.62131881419143]
  高品質な普遍物体検出のためのカスケードDETRを提案する。 本稿では,オブジェクト中心情報を検出デコーダに明示的に統合するカスケードアテンション層を提案する。 最後に、多様なドメインから10のデータセットを含む汎用オブジェクト検出ベンチマークUDB10を紹介する。
  論文  参考訳（メタデータ） (2023-07-20T17:11:20Z)
• A Multitask Deep Learning Model for Parsing Bridge Elements and Segmenting Defect in Bridge Inspection Images [1.476043573732074]
  合衆国の広大な橋網は、その維持と修復に高い要求を課している。 橋の状況を評価するための視覚検査の膨大なコストは、ある程度の負担であることが判明した。 本稿では,橋梁要素と欠陥の相互依存性を完全に活用するマルチタスクディープニューラルネットワークを開発する。
  論文  参考訳（メタデータ） (2022-09-06T02:48:15Z)
• A semi-supervised self-training method to develop assistive intelligence for segmenting multiclass bridge elements from inspection videos [6.75013674088437]
  本稿では,検査ビデオから多クラス橋要素をセグメント化するための補助情報モデルを開発する。 大規模な公開データセットで事前トレーニングされたマスクリージョンベースの畳み込みニューラルネットワーク(Mask R-CNN)が新しいタスクに転送された。 半教師付き自己訓練(S$3$T)法が開発され、経験豊富な検査官がネットワークを精査する。
  論文  参考訳（メタデータ） (2021-09-10T19:22:45Z)
• HierMUD: Hierarchical Multi-task Unsupervised Domain Adaptation between Bridges for Drive-by Damage Diagnosis [9.261126434781744]
  対象橋のラベルを使わずに,橋梁の損傷を診断するために,ある橋梁から学習したモデルを転送する新しい枠組みを提案する。 我々のフレームワークは、タスク共有とタスク固有の特徴を抽出するために、逆方向の方法で階層型ニューラルネットワークモデルを訓練する。 2つの橋と3台の車両から収集した実験データについて,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2021-07-23T19:39:32Z)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)
• Knowledge transfer between bridges for drive-by monitoring using adversarial and multi-task learning [6.462702225377603]
  車両の振動による橋梁の健康状態のモニタリングには、低コストや直接設置や設備の現場メンテナンスの必要がないなど、様々な利点がある。 このようなアプローチの多くは、すべての橋からのラベル付きデータを必要としており、これは高価で、不可能ではないとしても、入手するのに時間を要する。 ドメイン・アドバイザリ・トレーニングとマルチタスク・ラーニングを用いたトランスファー・ラーニング・フレームワークを導入し,損傷の検出,局所化,定量化を行う。
  論文  参考訳（メタデータ） (2020-06-05T19:18:45Z)
• DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection [93.24684159708114]
  DeeperForensics-1.0は、これまでで最大の顔偽造検出データセットであり、合計で1760万フレームの6万本のビデオで構成されている。 生成されたビデオの品質は、既存のデータセットよりも優れており、ユーザ研究によって検証されている。 このベンチマークには隠れたテストセットがあり、人間の評価において高い認識スコアを達成する操作されたビデオを含んでいる。
  論文  参考訳（メタデータ） (2020-01-09T14:37:17Z)

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。