論文の概要: Object Size-Driven Design of Convolutional Neural Networks: Virtual Axle
Detection based on Raw Data
- arxiv url: http://arxiv.org/abs/2309.01574v2
- Date: Mon, 18 Dec 2023 08:32:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 23:10:57.600659
- Title: Object Size-Driven Design of Convolutional Neural Networks: Virtual Axle
Detection based on Raw Data
- Title(参考訳): 畳み込みニューラルネットワークのオブジェクトサイズ駆動設計:生データに基づく仮想軸検出
- Authors: Henik Riedel, Robert Steven Lorenzen and Clemens H\"ubler
- Abstract要約: 本稿では,専用軸検出装置を使わずにBWIM(Bridge Weigh-In-Motion)システムのリアルタイム適用を可能にする,軸検出のための新しいアプローチを提案する。
The proposed Virtual Axle Detector with Enhanced Receptive Field (VADER) is independent to bridge type and sensor placement。
スペクトルを入力としてではなく生データを使用することで、パラメータの数を増やすことなく、受容野を拡張できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Rising maintenance costs of ageing infrastructure necessitate innovative
monitoring techniques. This paper presents a new approach for detecting axles,
enabling real-time application of Bridge Weigh-In-Motion (BWIM) systems without
dedicated axle detectors. The proposed Virtual Axle Detector with Enhanced
Receptive Field (VADER) is independent of bridge type and sensor placement
while only using raw acceleration data as input. By using raw data instead of
spectograms as input, the receptive field can be enhanced without increasing
the number of parameters. We also introduce a novel receptive field (RF) rule
for an object-size driven design of Convolutional Neural Network (CNN)
architectures. We were able to show, that the RF rule has the potential to
bridge the gap between physical boundary conditions and deep learning model
development. Based on the RF rule, our results suggest that models using raw
data could achieve better performance than those using spectrograms, offering a
compelling reason to consider raw data as input. The proposed VADER achieves to
detect 99.9 % of axles with a spatial error of 4.13 cm using only acceleration
measurements, while cutting computational and memory costs by 99 % compared to
the state-of-the-art using spectograms.
- Abstract(参考訳): 老化インフラのメンテナンスコストの増大は、革新的な監視技術を必要とする。
本稿では,軸検出装置を使わずに橋梁重み移動システム(bwim)のリアルタイム適用を可能にする新しい軸検出手法を提案する。
拡張受容場(vader)を有する仮想軸検出器は、生加速度データのみを入力として使用しながら、ブリッジタイプやセンサ配置に依存しない。
入力としてスペクトログラムの代わりに生データを使用することで、パラメータ数を増加させることなく受容野を高めることができる。
また,畳み込みニューラルネットワーク(cnn)アーキテクチャのオブジェクトサイズ駆動設計のための新しい受容場(rf)ルールを提案する。
RF規則が物理境界条件と深層学習モデル開発の間のギャップを埋める可能性を示すことができた。
RF法則から, 生データを用いたモデルの方が, 分光器を用いたモデルよりも優れた性能が得られる可能性が示唆された。
提案するvaderは加速度測定のみを用いて空間誤差4.13 cmの軸の99.9 %を検出でき、スペクトログラムを用いた場合と比較して計算コストとメモリコストを99 %削減できる。
関連論文リスト
- SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised
Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。
Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。
赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文 参考訳(メタデータ) (2024-03-08T16:14:54Z) - UnLoc: A Universal Localization Method for Autonomous Vehicles using
LiDAR, Radar and/or Camera Input [51.150605800173366]
UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。
本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
論文 参考訳(メタデータ) (2023-07-03T04:10:55Z) - RadarGNN: Transformation Invariant Graph Neural Network for Radar-based
Perception [0.0]
点自体の情報だけでなく,それらの関係も利用する新しいグラフニューラルネットワークが提案されている。
このモデルは、グラフの端に埋め込まれたポイント特徴とポイントペア特徴の両方を考慮するように設計されている。
RadarGNNモデルは、RadarScenesデータセットで以前のすべてのメソッドより優れています。
論文 参考訳(メタデータ) (2023-04-13T13:57:21Z) - Radar Image Reconstruction from Raw ADC Data using Parametric
Variational Autoencoder with Domain Adaptation [0.0]
本研究では,パラメータ制約付き変分オートエンコーダを提案し,レンジ角画像上でクラスタ化および局所化されたターゲット検出を生成する。
実際のレーダデータを用いて可能なすべてのシナリオにおいて,提案するニューラルネットワークをトレーニングする問題を回避すべく,ドメイン適応戦略を提案する。
論文 参考訳(メタデータ) (2022-05-30T16:17:36Z) - FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。
提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。
Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
論文 参考訳(メタデータ) (2021-08-27T03:07:55Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳(メタデータ) (2020-11-19T05:42:02Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳(メタデータ) (2020-04-15T06:13:33Z) - Semi-supervised Grasp Detection by Representation Learning in a Vector
Quantized Latent Space [1.3048920509133808]
本稿では,半教師付き学習に基づく把握検出手法を提案する。
我々の知る限りでは、変分オートエンコーダ(VAE)がロボットグリップ検出の分野に応用されたのはこれが初めてである。
このモデルでは、未ラベル画像を使用しない既存の手法に比べて、グリップを改善するために大幅に性能が向上する。
論文 参考訳(メタデータ) (2020-01-23T12:47:13Z)
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。