論文の概要: Multi-View 3D Instance Segmentation of Structural Anomalies for Enhanced Structural Inspection of Concrete Bridges

• arxiv url: http://arxiv.org/abs/2401.03298v1
• Date: Sat, 6 Jan 2024 20:39:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-09 19:24:04.350823
• Title: Multi-View 3D Instance Segmentation of Structural Anomalies for Enhanced Structural Inspection of Concrete Bridges
• Title（参考訳）: コンクリート橋梁構造検査のための構造異常の多視点3次元インスタンスセグメンテーション
• Authors: Christian Benz, Volker Rodehorst
• Abstract要約: 画像レベルの検出モデルの優れた性能を利用して、3次元空間における異常のインスタンスを分割する3段階のアプローチが提案されている。 IoUの90%以上はひび割れや腐食に、41%はスポーリングに利用でき、これは特に難しいクラスである。
• 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: For effective structural damage assessment, the instances of damages need to be localized in the world of a 3D model. Due to a lack of data, the detection of structural anomalies can currently not be directly learned and performed in 3D space. In this work, a three-stage approach is presented, which uses the good performance of detection models on image level to segment instances of anomalies in the 3D space. In the detection stage, semantic segmentation predictions are produced on image level. The mapping stage transfers the image-level prediction onto the respective point cloud. In the extraction stage, 3D anomaly instances are extracted from the segmented point cloud. Cloud contraction is used to transform cracks into their medial axis representation. For areal anomalies the bounding polygon is extracted by means of alpha shapes. The approach covers the classes crack, spalling, and corrosion and the three image-level segmentation models TopoCrack, nnU-Net, and DetectionHMA are compared. Granted a localization tolerance of 4cm, IoUs of over 90% can be achieved for crack and corrosion and 41% for spalling, which appears to be a specifically challenging class. Detection on instance-level measured in AP is about 45% for crack and spalling and 73% for corrosion.
• Abstract（参考訳）: 効果的な構造損傷評価には、3次元モデルの世界において損傷の事例を局所化する必要がある。 データ不足のため、構造的異常の検出は3D空間で直接学習したり実行したりすることはできない。 本研究では,画像レベルの検出モデルの優れた性能を用いて,3次元空間における異常のインスタンスをセグメント化する3段階アプローチを提案する。 検出段階では、画像レベルでセマンティックセグメンテーション予測が生成される。 マッピングステージは、画像レベルの予測を各ポイントクラウドに転送する。 抽出段階では、セグメント化された点雲から3D異常インスタンスを抽出する。 雲の収縮は亀裂を中軸表現に変換するために用いられる。 基底異常の場合、バウンディングポリゴンはアルファ形状によって抽出される。 このアプローチはクラスクラック,スポーリング,腐食を対象とし,3つの画像レベルのセグメンテーションモデルtopocrack,nnu-net, detectionhmaを比較した。 耐ローカライゼーション性は4cmであり,9割以上のIoUはひび割れや腐食,スポーリングでは41%であり,特に難易度の高いクラスである。 APで測定されたインスタンスレベルの検出はクラックとスポーリングで約45%、腐食で約73%である。

関連論文リスト

• CRASAR-U-DROIDs: A Large Scale Benchmark Dataset for Building Alignment and Damage Assessment in Georectified sUAS Imagery [0.5699788926464749]
  CRASAR-U-DROIDsは、SUASオルソモザイク画像の最大のラベル付きデータセットである。 CRASAR-U-DRIODsデータセットは、連邦政府が宣言した災害10件から52件(52件)のオルソモザイクで構成されている。
  論文  参考訳（メタデータ） (2024-07-24T23:39:10Z)
• 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)
• Visual Context-Aware Person Fall Detection [52.49277799455569]
  画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。 ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。 トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
  論文  参考訳（メタデータ） (2024-04-11T19:06:36Z)
• Deep Rib Fracture Instance Segmentation and Classification from CT on the RibFrac Challenge [66.86170104167608]
  RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。 MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。 この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
  論文  参考訳（メタデータ） (2024-02-14T18:18:33Z)
• Classification of structural building damage grades from multi-temporal photogrammetric point clouds using a machine learning model trained on virtual laser scanning data [58.720142291102135]
  実世界の点雲からの多層建築物の損傷を自動的に評価する新しい手法を提案する。 我々は、仮想レーザースキャン(VLS)データに基づいて訓練された機械学習モデルを使用する。 このモデルでは、高いマルチターゲット分類精度(全精度:92.0% - 95.1%)が得られる。
  論文  参考訳（メタデータ） (2023-02-24T12:04:46Z)
• PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples [63.84378007819262]
  本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。 ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。 その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:15:41Z)
• Detection Of Concrete Cracks using Dual-channel Deep Convolutional Network [0.0]
  本研究では, 深部畳み込みニューラルネットワーク(CNN)を用いたひび割れ検出手法を提案する。 コンクリートクラックを用いた3200枚のラベル付き画像データベースが作成されており, コントラスト, 照明条件, 方向, ひび割れの重症度は極めて多様であった。 我々は,両チャネル深部CNNを設計し,高い精度(92.25%)と現実的状況におけるコンクリートのひび割れ発見の堅牢性を示した。
  論文  参考訳（メタデータ） (2020-09-22T15:17:02Z)
• Synthetic Image Augmentation for Damage Region Segmentation using Conditional GAN with Structure Edge [0.0]
  画像から画像への変換マッピングを用いて、損傷画像を生成する合成拡張手法を提案する。 我々は,FCN-8s,SegNet,DeepLabv3+Xception-v2などの画素ごとのセグメンテーションアルゴリズムを適用した。 合成拡張法で加算されたデータセットの再トレーニングは、平均IoU、興味の損傷領域IoU、精度、リコール、BFスコアに基づいて、テスト画像の予測時に精度が高くなることを示した。
  論文  参考訳（メタデータ） (2020-05-07T06:04:02Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)
• Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images [69.74667930907314]
  核分割のための曲げ損失正規化ネットワークを提案する。 提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。 曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
  論文  参考訳（メタデータ） (2020-02-03T21:20:50Z)

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。