論文の概要: Deep Learning Overloaded Vehicle Identification for Long Span Bridges
Based on Structural Health Monitoring Data
- arxiv url: http://arxiv.org/abs/2309.01593v1
- Date: Mon, 4 Sep 2023 13:24:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 18:32:50.113397
- Title: Deep Learning Overloaded Vehicle Identification for Long Span Bridges
Based on Structural Health Monitoring Data
- Title（参考訳）: 構造的健康モニタリングデータに基づく長大橋の深層学習過負荷車両識別
- Authors: Yuqin Li, Jun Liu, Shengliang Zhong, Licheng Zhou, Shoubin Dong, Zejia
Liu, Liqun Tang
- Abstract要約: 過負荷車両識別のためのBWIM (bridge weigh-in-motion)法が普及している。
深層学習に基づく過負荷車両識別手法(DOVI)を提案する。
簡易支持梁と長尺ケーブルステイドブリッジを用いてランダムな交通流下でモデル評価を行った。
- 参考スコア（独自算出の注目度）: 3.331125445667599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Overloaded vehicles bring great harm to transportation infrastructures. BWIM
(bridge weigh-in-motion) method for overloaded vehicle identification is
getting more popular because it can be implemented without interruption to the
traffic. However, its application is still limited because its effectiveness
largely depends on professional knowledge and extra information, and is
susceptible to occurrence of multiple vehicles. In this paper, a deep learning
based overloaded vehicle identification approach (DOVI) is proposed, with the
purpose of overloaded vehicle identification for long-span bridges by the use
of structural health monitoring data. The proposed DOVI model uses temporal
convolutional architectures to extract the spatial and temporal features of the
input sequence data, thus provides an end-to-end overloaded vehicle
identification solution which neither needs the influence line nor needs to
obtain velocity and wheelbase information in advance and can be applied under
the occurrence of multiple vehicles. Model evaluations are conducted on a
simply supported beam and a long-span cable-stayed bridge under random traffic
flow. Results demonstrate that the proposed deep-learning overloaded vehicle
identification approach has better effectiveness and robustness, compared with
other machine learning and deep learning approaches.
- Abstract（参考訳）: 過負荷車両は交通インフラに大きな被害をもたらす。
過負荷車両識別のためのBWIM (bridge weigh-in-motion) 方式は、交通を中断することなく実装できるため、普及している。
しかし、その効果は専門知識と余分な情報に大きく依存しており、複数の車両の発生に影響を受けやすいため、その用途は限られている。
本稿では,構造的健康モニタリングデータを用いた長大橋における車両識別の過負荷化を目的とした,深層学習に基づく車両識別手法(DOVI)を提案する。
提案するdoviモデルは,入力シーケンスデータの時間的および時間的特徴を抽出するために時間的畳み込みアーキテクチャを用いており,影響線や速度やホイールベース情報を事前に取得する必要がなく,複数車両の発生時にも適用可能な,エンドツーエンドの過負荷車両識別ソリューションを提供する。
簡易支持梁と長尺ケーブルステイドブリッジを用いてランダムな交通流下でモデル評価を行った。
その結果,提案手法は,他の機械学習やディープラーニング手法に比べて有効性と頑健性が向上することが示された。
関連論文リスト
- Structural Information Guided Multimodal Pre-training for
Vehicle-centric Perception [36.92036421490819]
そこで我々は,VagerMAEと呼ばれる新しい車両中心の事前学習フレームワークを提案する。
車両のスケッチラインを空間構造の形式として明示的に抽出し,車両の再建を誘導する。
大規模なデータセットは、約100万の車両画像と12693のテキスト情報を含むAutobot1Mと呼ばれるモデルを事前訓練するために構築されている。
論文 参考訳（メタデータ） (2023-12-15T14:10:21Z) - Detection of Active Emergency Vehicles using Per-Frame CNNs and Output
Smoothing [4.917229375785646]
一般的なアクター状態(位置や速度など)を推定することは、自動運転車に搭載された知覚システムの重要かつよく探索されたタスクである。
特に、アクティブな緊急車両(EV)では、完全なコンテキストを提供するために光ベースの信号も取得する必要がある。
本稿では,フレームレベルで動作している市販のCNNモデルと,点滅するEVライトの時間的側面を考慮した下流スムーズなモデルを用いて,アクティブEVの検出のシーケンシャルな手法を提案する。
論文 参考訳（メタデータ） (2022-12-28T04:45:51Z) - 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) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - AI-aided Traffic Control Scheme for M2M Communications in the Internet
of Vehicles [61.21359293642559]
交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。
本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
論文 参考訳（メタデータ） (2022-03-05T10:54:05Z) - Federated Learning in Vehicular Networks [41.89469856322786]
フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。
本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。
データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
論文 参考訳（メタデータ） (2020-06-02T06:32:59Z) - The Devil is in the Details: Self-Supervised Attention for Vehicle
Re-Identification [75.3310894042132]
車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。
我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
論文 参考訳（メタデータ） (2020-04-14T02:24:47Z) - Minimizing Age-of-Information for Fog Computing-supported Vehicular
Networks with Deep Q-learning [15.493225546165627]
Age of Information (AoI) は、車両とクラウド/フォグサーバ間の無線リンクの性能を評価する指標である。
本稿では, AoI の信頼性を保証するために, 運転経路を最適化する新しいプロアクティブかつデータ駆動方式を提案する。
論文 参考訳（メタデータ） (2020-04-04T05:19:25Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z)
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。