論文の概要: Integrating GAN and Texture Synthesis for Enhanced Road Damage Detection
- arxiv url: http://arxiv.org/abs/2309.06747v1
- Date: Wed, 13 Sep 2023 06:38:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-14 15:11:04.913036
- Title: Integrating GAN and Texture Synthesis for Enhanced Road Damage Detection
- Title（参考訳）: 道路損傷検出のためのGANとテクスチャ合成の統合
- Authors: Tengyang Chen and Jiangtao Ren
- Abstract要約: 本稿では, テクスチャ合成技術とGANを用いた道路損傷検出手法を提案する。
本手法は,損傷の重大度と背景との整合性を両立させる。
公道損傷データセットを用いて実験を行う。
- 参考スコア（独自算出の注目度）: 0.32634122554914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the domain of traffic safety and road maintenance, precise detection of
road damage is crucial for ensuring safe driving and prolonging road
durability. However, current methods often fall short due to limited data.
Prior attempts have used Generative Adversarial Networks to generate damage
with diverse shapes and manually integrate it into appropriate positions.
However, the problem has not been well explored and is faced with two
challenges. First, they only enrich the location and shape of damage while
neglect the diversity of severity levels, and the realism still needs further
improvement. Second, they require a significant amount of manual effort. To
address these challenges, we propose an innovative approach. In addition to
using GAN to generate damage with various shapes, we further employ texture
synthesis techniques to extract road textures. These two elements are then
mixed with different weights, allowing us to control the severity of the
synthesized damage, which are then embedded back into the original images via
Poisson blending. Our method ensures both richness of damage severity and a
better alignment with the background. To save labor costs, we leverage
structural similarity for automated sample selection during embedding. Each
augmented data of an original image contains versions with varying severity
levels. We implement a straightforward screening strategy to mitigate
distribution drift. Experiments are conducted on a public road damage dataset.
The proposed method not only eliminates the need for manual labor but also
achieves remarkable enhancements, improving the mAP by 4.1% and the F1-score by
4.5%.
- Abstract（参考訳）: 交通安全・道路整備の分野では、安全運転の確保と道路耐久性の延長には、道路損傷の正確な検出が不可欠である。
しかし、現在の方法は限られたデータのためにしばしば不足する。
以前の試みでは、Generative Adversarial Networksを使用して、さまざまな形状の損傷を生成し、それを手動で適切な位置に組み込んだ。
しかし、この問題は十分に検討されておらず、2つの課題に直面している。
まず、重度の多様性を無視しながら損傷の位置と形だけを豊かにし、現実主義はさらに改善する必要がある。
第二に、かなりの量の手作業が必要です。
これらの課題に対処するため、我々は革新的なアプローチを提案する。
GANを用いて様々な形状の損傷を発生させるだけでなく,道路のテクスチャを抽出するためのテクスチャ合成技術も活用している。
これらの2つの要素は異なる重みで混合され、合成された損傷の重症度を制御し、ポアソンブレンドによって元の画像に埋め込むことができる。
本手法は,損傷の重大さと背景との整合性を両立させる。
作業コストを削減するため,組込み時の自動サンプル選択に構造的類似性を利用する。
原画像の各拡張データは、重大度レベルが異なるバージョンを含む。
分散ドリフトを緩和するための簡単なスクリーニング戦略を実装した。
公道損傷データセットを用いて実験を行う。
提案手法は手作業の必要性を解消するだけでなく,mAPを4.1%改善し,F1スコアを4.5%改善する。
関連論文リスト
- AGSENet: A Robust Road Ponding Detection Method for Proactive Traffic Safety [30.305692955291033]
道路の沈み込みは、車両を制御不能にさせ、小さなフェンダーの曲がり角から激しい衝突に至る事故を引き起こすことにより、道路の安全に深刻な脅威をもたらす。
既存技術は、複雑な道路テクスチャと反射特性の影響による可変な池色化により、道路の熟成を正確に識別するのに苦慮している。
本稿では,自己注意型グローバル・サリエンシ・エンハンス・ネットワーク(AGSENet)という新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-22T13:21:36Z) - Cut-and-Paste with Precision: a Content and Perspective-aware Data Augmentation for Road Damage Detection [5.939858158928473]
道路の損傷は、道路インフラの完全性、安全性、耐久性に重大な課題をもたらす可能性がある。
近年、道路監視アプリケーションにおいて、画像に基づく損傷検出のための様々なデータ駆動手法が研究されている。
本稿では、コンテンツ認識(すなわち、画像中の道路の真の位置を考える)と視点認識(すなわち、注入された損傷と対象画像との視点の差を考慮する)の両面から改善されたカット・アンド・ペースト増強手法を提案する。
論文 参考訳（メタデータ） (2024-06-06T09:06:42Z) - Robust Disaster Assessment from Aerial Imagery Using Text-to-Image Synthetic Data [66.49494950674402]
航空画像からの損傷評価のタスクのための大規模合成監視を作成する際に,新たなテキスト・画像生成モデルを活用する。
低リソース領域から何千ものポストディスアスター画像を生成するために、効率的でスケーラブルなパイプラインを構築しています。
我々は,xBDおよびSKAI画像のクロスジオグラフィー領域転送設定におけるフレームワークの強度を,単一ソースとマルチソースの両方で検証する。
論文 参考訳（メタデータ） (2024-05-22T16:07:05Z) - Enhancing Infrared Small Target Detection Robustness with Bi-Level
Adversarial Framework [61.34862133870934]
本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。
我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
論文 参考訳（メタデータ） (2023-09-03T06:35:07Z) - Diffusion-Based Adversarial Sample Generation for Improved Stealthiness
and Controllability [62.105715985563656]
そこで本研究では,現実的な対向サンプルを生成するための拡散型射影勾配 Descent (Diff-PGD) という新しいフレームワークを提案する。
我々のフレームワークは、デジタルアタック、物理世界アタック、スタイルベースのアタックなど、特定のタスクに簡単にカスタマイズできる。
論文 参考訳（メタデータ） (2023-05-25T21:51:23Z) - Dynamic loss balancing and sequential enhancement for road-safety
assessment and traffic scene classification [0.0]
道路安全検査は、道路インフラに寄与する道路事故死者を減らすのに欠かせない手段である。
最近の研究は、道路安全属性としても知られる、慎重に選択されたリスク要因の観点から、道路安全評価を形式化している。
本稿では,2段階のニューラルネットワークによる認識を自動化することにより,退屈な人的労働への依存を減らすことを提案する。
論文 参考訳（メタデータ） (2022-11-08T11:10:07Z) - Road Damages Detection and Classification with YOLOv7 [0.0]
本研究は,Googleストリートビューを用いて道路被害データを収集,ラベル付けし,YOLOv7(You Only Look Once Version 7)を使用することを提案する。
提案手法は,クラウドセンシングによる道路被害検出チャレンジ (CRDDC2022, IEEE BigData 2022) に適用される。
論文 参考訳（メタデータ） (2022-10-31T18:55:58Z) - Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。
これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。
本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文 参考訳（メタデータ） (2022-07-29T22:35:05Z) - Unsupervised Domain Adaptive Salient Object Detection Through
Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。
提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-02-26T16:03:55Z) - Road Damage Detection using Deep Ensemble Learning [36.24563211765782]
道路損傷の効率的な検出と分類のためのアンサンブルモデルを提案する。
我々のソリューションは、You Only Look Once (YOLO-v4)として知られる最先端の物体検出器を利用する。
テスト1データセットでF1スコアが0.628、テスト2データセットで0.6358に達した。
論文 参考訳（メタデータ） (2020-10-30T03:18:14Z) - Targeted Physical-World Attention Attack on Deep Learning Models in Road
Sign Recognition [79.50450766097686]
本稿では,現実の道路標識攻撃に対するTAA手法を提案する。
実験の結果,TAA法は攻撃成功率(約10%)を向上し,RP2法と比較して摂動損失(約4分の1)を減少させることがわかった。
論文 参考訳（メタデータ） (2020-10-09T02:31:34Z)
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。