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
- DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - Towards Scalable 3D Anomaly Detection and Localization: A Benchmark via
3D Anomaly Synthesis and A Self-Supervised Learning Network [22.81108868492533]
本稿では,既存の大規模3次元モデルに適応して3次元異常検出を行うための3次元異常合成パイプラインを提案する。
Anomaly-ShapeNetは、40カテゴリ以下の1600点のクラウドサンプルで構成され、リッチで多様なデータ収集を提供する。
また、3次元異常局所化のためのスケーラブルな表現学習を可能にする自己教師型マスク再構成ネットワーク(IMRNet)を提案する。
論文 参考訳(メタデータ) (2023-11-25T01:45:09Z) - 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳(メタデータ) (2023-08-29T17:58:55Z) - DQS3D: Densely-matched Quantization-aware Semi-supervised 3D Detection [6.096961718434965]
本研究では,3次元屋内空間の散在を考慮し,半教師付き3次元物体検出の課題について検討する。
我々は,最近セミ教師付き学習の顕著な進歩を招いた,堅牢で原則化された自己学習の枠組みに頼っている。
そこで本研究では,空間的に密集したトレーニング信号を可能にする,最初の半教師付き3次元検出アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-25T17:59:54Z) - 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) - Towards Model Generalization for Monocular 3D Object Detection [57.25828870799331]
我々は,Mono3Dオブジェクト検出に有効な統合カメラ一般化パラダイム(CGP)を提案する。
また,インスタンスレベルの拡張によりギャップを埋める2D-3D幾何一貫性オブジェクトスケーリング戦略(GCOS)を提案する。
DGMono3Dと呼ばれる手法は、評価された全てのデータセットに対して顕著な性能を達成し、SoTAの教師なしドメイン適応スキームを上回ります。
論文 参考訳(メタデータ) (2022-05-23T23:05:07Z) - The MVTec 3D-AD Dataset for Unsupervised 3D Anomaly Detection and
Localization [17.437967037670813]
教師なし異常検出と局所化のタスクのための,最初の包括的3Dデータセットを提案する。
これは、モデルが製造された製品の様々な種類の欠陥を検出する必要がある実世界の視覚検査シナリオにインスパイアされている。
論文 参考訳(メタデータ) (2021-12-16T17:35:51Z) - 3D-VField: Learning to Adversarially Deform Point Clouds for Robust 3D
Object Detection [111.32054128362427]
安全クリティカルな環境では、アウト・オブ・ディストリビューションとロングテールサンプルの堅牢性は、危険な問題を回避するのに不可欠である。
トレーニング中の変形点雲を考慮した3次元物体検出器の領域外データへの一般化を著しく改善する。
我々は、リアルに損傷を受けた稀な車の合成データセットであるCrashDを提案し、共有する。
論文 参考訳(メタデータ) (2021-12-09T08:50:54Z) - PointCrack3D: Crack Detection in Unstructured Environments using a
3D-Point-Cloud-Based Deep Neural Network [20.330700719146215]
本稿では,非構造面に対する新しい3Dポイント・クラウド・ベースのき裂検出アルゴリズムであるPointCrack3Dを提案する。
この手法は、新しい大きな天然岩のデータセットで実験的に検証された。
その結果, ひび割れ検出率は全体の97%, ひび割れの100%であり, 最大幅は3cm以上であった。
論文 参考訳(メタデータ) (2021-11-23T02:33:18Z) - Seismic Fault Segmentation via 3D-CNN Training by a Few 2D Slices Labels [6.963867115353744]
我々は3次元地震データから2次元スライスをサンプリングし,新しい2次元クロスエントロピーと滑らかなL1損失を3D-CNNの訓練に適用する。
実験により,実データから2次元スライスラベルから3次元地震特性を抽出し,断層容積を分割できることを示した。
論文 参考訳(メタデータ) (2021-05-09T07:13:40Z) - Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。
本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文 参考訳(メタデータ) (2021-03-30T10:38:01Z)
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。