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/2309.01574v3
- Date: Wed, 4 Sep 2024 10:42:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-07 04:56:30.532101
- 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, Clemens Hübler,
- Abstract要約: 本研究は、専用軸受を列車軸受のリアルタイム検出のための新しいアプローチに置き換えることの課題に対処する。
提案したVADER(Virtual Axle Detector with Enhanced Receptive Field)は単線鉄道橋上で検証されている。
生データを入力として使用すると、最先端のスペクトログラムベースの手法がスピードとメモリ使用率の両方で99%向上する。
- 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: As infrastructure ages, the need for efficient monitoring methods becomes increasingly critical. Bridge Weigh-In-Motion (BWIM) systems are crucial for cost-efficient load and thus residual service life determination of road and railway infrastructure. However, conventional BWIM systems require additional sensors for axle detection, which have to be installed in potentially inaccessible locations or in locations that interfere with bridge operation. This study addresses this challenge by replacing dedicated axle detectors with a novel approach to real-time detection of train axles using sensors arbitrarily placed on bridges. The proposed Virtual Axle Detector with Enhanced Receptive Field (VADER) has been validated on a single-track railway bridge, demonstrating that it achieves to detect 99.9% of axles with a spatial error of 3.69cm using only acceleration measurements. Using raw data as input outperforms the state-of-the-art spectrogram-based method in both speed and memory usage by 99%, making real-time application feasible for the first time. Additionally, we introduce the Maximum Receptive Field (MRF) rule, a novel approach to optimise hyperparameters of Convolutional Neural Networks (CNNs) based on the size of objects, which in this case relates to the fundamental frequency of a bridge. The MRF rule effectively narrows the hyperparameter search space, potentially replacing the need for extensive hyperparameter tuning. Since the MRF rule is theoretically applicable to all unstructured data, it could have implications for a wide range of deep learning problems from earthquake prediction to object recognition.
- Abstract（参考訳）: インフラ時代が進むにつれて、効率的なモニタリング方法の必要性がますます重要になっている。
橋梁Weigh-In-Motion (BWIM) システムはコスト効率の高い負荷に不可欠である。
しかし、従来のBWIMシステムは、アクセル検出のための追加のセンサーを必要としており、アクセス不能な場所やブリッジ操作に干渉する場所に設置する必要がある。
本研究は,専用軸受を橋梁上に任意に設置したセンサを用いて列車軸受をリアルタイムに検出する手法に置き換えることにより,この問題に対処する。
単線鉄道橋において, 空間誤差3.69cmの軸の99.9%を加速度測定のみで検出できることを実証し, VADER(Virtual Axle Detector with Enhanced Receptive Field)を検証した。
生データを入力として使用すると、最先端のスペクトログラムベースの手法をスピードとメモリ使用率の両方で99%向上し、初めてリアルタイムアプリケーションを実現することができる。
さらに、オブジェクトのサイズに基づいて畳み込みニューラルネットワーク(CNN)のハイパーパラメータを最適化する新しいアプローチである最大受容場(MRF)ルールを導入する。
MRF規則は、ハイパーパラメーター探索空間を効果的に制限し、広範なハイパーパラメーターチューニングの必要性を置き換える可能性がある。
MRF規則は理論的にはすべての非構造データに適用できるため、地震予知から物体認識まで幅広い深層学習問題に影響を及ぼす可能性がある。
関連論文リスト
- Unfolding Target Detection with State Space Model [8.493729039825332]
本稿では,CFAR検出器を状態空間モデルアーキテクチャに展開することにより,信号処理とディープラーニングを組み合わせた新しい手法を提案する。
CFARパイプラインを保存し、洗練された構成をトレーニング可能なパラメータにすることで、手動パラメータチューニングなしで高い検出性能を実現する。
その結果,提案手法の顕著な性能,CFARとその変種を検出率と誤警報率で10倍に向上させることができた。
論文 参考訳（メタデータ） (2024-10-30T07:43:18Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for
CAVs [11.15939066175832]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。
本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。
提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文 参考訳（メタデータ） (2024-03-05T04:29:31Z) - Automotive RADAR sub-sampling via object detection networks: Leveraging
prior signal information [18.462990836437626]
自動運転技術への関心が高まり、自動車レーダーはますます注目を集めている。
本研究では,従来の環境条件の知識に基づいて,より詳細な/正確な再構築を必要とする地域を特定するための適応型レーダサブサンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-21T05:32:28Z) - Virtual Axle Detector based on Analysis of Bridge Acceleration
Measurements by Fully Convolutional Network [5.141414655148996]
本稿では,橋梁の任意の地点に加速度計を設置して軸検出を行う新しい手法を提案する。
このモデルは、連続ウェーブレット変換の形式で信号を処理するための完全な畳み込みネットワークとして実装されている。
これにより,仮想軸検出器(VAD)として機能する橋梁構造物の任意の位置において,特定の構造型に制限されることなく,加速度信号を使用することが可能である。
論文 参考訳（メタデータ） (2022-07-08T09:01:04Z) - Exploring Scalable, Distributed Real-Time Anomaly Detection for Bridge
Health Monitoring [15.920402427606959]
現代のリアルタイム構造健康モニタリングシステムは、かなりの量の情報を生成することができる。
現在のクラウドベースのソリューションは、数千の建物から生データを収集する必要がある場合、スケールできない。
本稿では、SHMシステムのための効率よくスケーラブルな異常検出パイプラインのフルスタック展開について述べる。
論文 参考訳（メタデータ） (2022-03-04T15:37:20Z) - 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) - Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。
第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。
第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文 参考訳（メタデータ） (2021-08-12T12:47:43Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。