Fugu-MT 論文翻訳(概要): Classification of Potholes Based on Surface Area Using Pre-Trained Models of Convolutional Neural Network

論文の概要: Classification of Potholes Based on Surface Area Using Pre-Trained Models of Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2309.17426v1
Date: Fri, 29 Sep 2023 17:39:19 GMT
ステータス: 処理完了
システム内更新日: 2023-10-02 12:22:38.488558
Title: Classification of Potholes Based on Surface Area Using Pre-Trained Models of Convolutional Neural Network
Title（参考訳）: 畳み込みニューラルネットワークの事前学習モデルによる表面積に基づくポットホールの分類
Authors: Chauhdary Fazeel Ahmad, Abdullah Cheema, Waqas Qayyum, Rana Ehtisham, Muhammad Haroon Yousaf, Junaid Mir, Nasim Shakouri Mahmoudabadi, Afaq Ahmad
Abstract要約: 南アジア諸国では、舗装の苦難が劣等条件の悪化の主な原因である。 2フィートの高さで撮影された画像の分類は87.33%、88.67%、そして92%の精度で、それぞれ大きな舗装、小さい舗装、通常の舗装を分類している。
参考スコア（独自算出の注目度）: 2.4739791026794253
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Potholes are fatal and can cause severe damage to vehicles as well as can cause deadly accidents. In South Asian countries, pavement distresses are the primary cause due to poor subgrade conditions, lack of subsurface drainage, and excessive rainfalls. The present research compares the performance of three pre-trained Convolutional Neural Network (CNN) models, i.e., ResNet 50, ResNet 18, and MobileNet. At first, pavement images are classified to find whether images contain potholes, i.e., Potholes or Normal. Secondly, pavements images are classi-fied into three categories, i.e., Small Pothole, Large Pothole, and Normal. Pavement images are taken from 3.5 feet (waist height) and 2 feet. MobileNet v2 has an accuracy of 98% for detecting a pothole. The classification of images taken at the height of 2 feet has an accuracy value of 87.33%, 88.67%, and 92% for classifying the large, small, and normal pavement, respectively. Similarly, the classification of the images taken from full of waist (FFW) height has an accuracy value of 98.67%, 98.67%, and 100%.
Abstract（参考訳）: ポットホールは致命的であり、車両に深刻な損傷を与え、また致命的な事故を引き起こす可能性がある。南アジア諸国では、舗装の苦難が、低品位状態の悪化、地下排水の不足、過度の降雨による主な原因である。本研究では,3つの事前学習型畳み込みニューラルネットワーク(CNN)モデル,すなわちResNet 50,ResNet 18,MobileNetの性能を比較した。まず、舗装画像にポットホール、すなわちポットホールまたはノーマルを含むか否かを分類する。第2に、舗装画像は、スモールポットホール、大型ポットホール、ノーマルの3つのカテゴリに分類される。舗装画像は3.5フィート (腰の高さ) と2フィートから撮影される。 mobilenet v2は98%の精度でポットホールを検出する。 2フィートの高さで撮影された画像の分類は87.33%、88.67%、および92%の精度で、それぞれ大きな、小さい、通常の舗装を分類している。同様に、フル・オブ・ウエスト(FFW)の高さから撮影された画像の分類は、精度は98.67%、98.67%、100%である。

関連論文リスト

Pavement Fatigue Crack Detection and Severity Classification Based on Convolutional Neural Network [8.233892677749276]
疲労き裂、またはアリゲーターき裂( alligator cracking)はアスファルト舗装の一般的な苦難の1つである。 2つの目的を達成できる新しい深層畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2024-07-22T19:56:03Z)
RoadScan: A Novel and Robust Transfer Learning Framework for Autonomous Pothole Detection in Roads [0.0]
本研究では,ディープラーニングと画像処理技術を用いた新しいポットホール検出手法を提案する。このシステムは、道路利用者に重大なリスクをもたらす道路上の穴の致命的な問題に対処することを目的としている。
論文参考訳（メタデータ） (2023-08-07T10:47:08Z)
Diverse, Difficult, and Odd Instances (D2O): A New Test Set for Object Classification [47.64219291655723]
既存のテストセットと十分に異なるD2Oと呼ばれる新しいテストセットを導入します。私たちのデータセットには、36のカテゴリにまたがる8,060のイメージが含まれており、そのうち29がImageNetに表示されています。私たちのデータセットで最高のTop-1精度は約60%で、ImageNetで91%のTop-1精度よりもはるかに低いです。
論文参考訳（メタデータ） (2023-01-29T19:58:32Z)
Image-to-Image Translation for Autonomous Driving from Coarsely-Aligned Image Pairs [57.33431586417377]
自動運転車は悪天候に対処して安全に運転できなければならない。本稿では,センサ入力を悪条件で捕捉した入力を良質な入力に変換するという考え方について検討する。我々は、粗い整列学習方式により、画像翻訳の質が向上し、下流タスクが改善されていることを示す。
論文参考訳（メタデータ） (2022-09-23T16:03:18Z)
Simple Baselines for Image Restoration [79.48718779396971]
本稿では,SOTA(State-of-the-art)法を超越した,計算効率の高い単純なベースラインを提案する。我々は、ベースラインからActivation Free Network、すなわちNAFNetを導出する。 SOTAの結果は、GoProの33.69dB PSNR(画像劣化)、計算コストのわずか8.4%のSOTA 0.38dB、SIDDの40.30dB PSNR(画像劣化)、計算コストの半分未満のSOTA 0.28dBといった、様々な挑戦的なベンチマークで達成されている。
論文参考訳（メタデータ） (2022-04-10T12:48:38Z)
Real-Time Pothole Detection Using Deep Learning [0.0]
本研究は,ポットホールを検出するために,異なるディープラーニングアーキテクチャをデプロイし,テストした。トレーニングに使用された画像は、車のフロントガラスに取り付けられた携帯電話で収集された。このシステムは、カメラから100メートル離れた範囲から穴を検出できた。
論文参考訳（メタデータ） (2021-07-13T19:36:34Z)
CoAtNet: Marrying Convolution and Attention for All Data Sizes [93.93381069705546]
トランスフォーマーはモデル容量が大きくなる傾向にあるが、正しい帰納バイアスの欠如により、畳み込みネットワークよりも一般化が悪くなる可能性がある。 2つの重要な洞察から構築されたハイブリッドモデルのファミリーであるCoAtNetsを紹介します。実験により、我々のCoAtNetsはリソース制約の異なる最先端のパフォーマンスを達成することが示された。
論文参考訳（メタデータ） (2021-06-09T04:35:31Z)
Learning to Automatically Catch Potholes in Worldwide Road Scene Images [0.0]
実世界の道路シーンの画像からポットホール検出の課題に取り組んだ。私たちはpotholeアノテーションで画像の大規模なデータセットを構築しました。次に,高速なr-cnnとssd深層ニューラルネットワークに基づく4種類の物体検出モデルを微調整した。
論文参考訳（メタデータ） (2021-05-17T16:10:58Z)
Monitoring the Impacts of a Tailings Dam Failure Using Satellite Images [0.0]
2019年1月25日、ブラジルのブルマディンホにあるC'orrego do Feijao鉄鉱石鉱山の尾化ダムが倒壊した。本研究は, セチネル2衛星画像を用いて, 浸水地域をマッピングし, ダム崩壊による土地利用状況と土地被覆状況を評価する。
論文参考訳（メタデータ） (2021-01-30T11:35:47Z)
Promoting Connectivity of Network-Like Structures by Enforcing Region Separation [101.10228007363673]
本稿では,ネットワークのような構造を再構築するために,深い畳み込みネットワークをトレーニングするための接続性指向の損失関数を提案する。私たちの喪失の背後にある主な考え方は、画像の背景領域間で発生する断線の観点から、道路や運河の接続性を表現することです。 2つの標準的な道路ベンチマークと、新しい灌水用運河のデータセットの実験において、損失関数で訓練されたコンブネットが道路接続を回復できることが示されている。
論文参考訳（メタデータ） (2020-09-15T12:21:35Z)
ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection [90.13718478362337]
本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。 DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
論文参考訳（メタデータ） (2020-03-03T05:29:49Z)

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。