論文の概要: Deep Learning for Segmentation of Cracks in High-Resolution Images of Steel Bridges
- arxiv url: http://arxiv.org/abs/2403.17725v1
- Date: Tue, 26 Mar 2024 14:13:44 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 15:08:05.680192
- Title: Deep Learning for Segmentation of Cracks in High-Resolution Images of Steel Bridges
- Title（参考訳）: 鋼橋の高分解能画像におけるき裂のセグメンテーションの深部学習
- Authors: Andrii Kompanets, Gautam Pai, Remco Duits, Davide Leonetti, Bert Snijder,
- Abstract要約: 鋼橋の高分解能画像における疲労き裂検出のための新しい深層学習法を開発した。
クラックセグメンテーションのために,従来の最先端エンコーダデコーダネットワークとConvNextニューラルネットワークを統合した。
鋼橋のき裂の高分解能画像に適用した場合, 背景パッチの使用がネットワーク性能に及ぼす影響を報告する。
- 参考スコア（独自算出の注目度）: 1.8990839669542956
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automating the current bridge visual inspection practices using drones and image processing techniques is a prominent way to make these inspections more effective, robust, and less expensive. In this paper, we investigate the development of a novel deep-learning method for the detection of fatigue cracks in high-resolution images of steel bridges. First, we present a novel and challenging dataset comprising of images of cracks in steel bridges. Secondly, we integrate the ConvNext neural network with a previous state- of-the-art encoder-decoder network for crack segmentation. We study and report, the effects of the use of background patches on the network performance when applied to high-resolution images of cracks in steel bridges. Finally, we introduce a loss function that allows the use of more background patches for the training process, which yields a significant reduction in false positive rates.
- Abstract（参考訳）: ドローンと画像処理技術を使って現在の橋の視覚検査を自動化することは、これらの検査をより効果的に、堅牢で、安価にするための重要な方法である。
本稿では,鋼橋の高分解能画像における疲労き裂検出のための新しい深層学習手法の開発について検討する。
まず, 鋼橋の亀裂画像からなる新しい, 挑戦的なデータセットを提案する。
第2に、クラックセグメンテーションのための最先端エンコーダデコーダネットワークとConvNextニューラルネットワークを統合する。
鋼橋のき裂の高分解能画像に適用した場合, 背景パッチの使用がネットワーク性能に及ぼす影響について検討, 報告を行った。
最後に、トレーニングプロセスにより多くのバックグラウンドパッチを使用できる損失関数を導入し、偽陽性率を大幅に削減する。
関連論文リスト
- Deep Learning-Based Fatigue Cracks Detection in Bridge Girders using Feature Pyramid Networks [8.59780173800845]
本研究では,橋梁の鋼箱桁のひび割れ情報を含む高分解能画像からの自動き裂分割手法を提案する。
亀裂のマルチスケールの特徴を考慮し, 亀裂検出のための特徴ピラミッドネットワーク(FPN)の畳み込みニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-10-28T16:16:15Z) - Deep Convolutional Pooling Transformer for Deepfake Detection [54.10864860009834]
本研究では,局所的・グローバル的に決定的な画像特徴を取り入れた深部畳み込み変換器を提案する。
具体的には,抽出した特徴を充実させ,有効性を高めるために,畳み込みプーリングと再アテンションを適用した。
提案手法は、内部実験と相互データセット実験の両方において、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2022-09-12T15:05:41Z) - Deep Image Deblurring: A Survey [165.32391279761006]
低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。
近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
論文 参考訳（メタデータ） (2022-01-26T01:31:30Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - Unsupervised Deep Image Stitching: Reconstructing Stitched Features to
Images [38.95610086309832]
本稿では,教師なしの粗い画像アライメントと教師なしの画像再構成の2段階からなる,教師なしの深層画像ストレッチフレームワークを提案する。
第1段階では、大規模なベースラインシーンに適した教師なしホモグラフィネットワークを制約するアブレーションに基づく損失を設計する。
第2段階では、画素レベルの不一致を一定程度特徴レベルで除去できるという知見に動機付けられ、特徴から画素へのアーティファクトを除去するための教師なし画像再構成ネットワークを設計する。
論文 参考訳（メタデータ） (2021-06-24T09:45:36Z) - Enhancing Photorealism Enhancement [83.88433283714461]
本稿では,畳み込みネットワークを用いた合成画像のリアリズム向上手法を提案する。
一般的に使用されるデータセットのシーンレイアウトの分布を分析し、重要な方法で異なることを見つけます。
近年のイメージ・ツー・イメージ翻訳法と比較して,安定性とリアリズムの大幅な向上が報告されている。
論文 参考訳（メタデータ） (2021-05-10T19:00:49Z) - Deep learning architectural designs for super-resolution of noisy images [7.657378889055478]
本研究では,デノジングと超解像を共同で行うことを提案する。
In-network"は両方のタスクを機能レベルで組み合わせ、"pre-network"はまずデノベーションを行い、次に超解像を行う。
ネットワーク前設計は、既存の超解像モデルにおける病理的故障である、目に見えないタイプの画像劣化に対して優れた性能を示す。
論文 参考訳（メタデータ） (2021-02-09T20:09:42Z) - Deep Artifact-Free Residual Network for Single Image Super-Resolution [0.2399911126932526]
本研究では,残差学習の利点と,地中構造像を目標として用いることの利点を活かしたDAFR(Deep Artifact-Free Residual)ネットワークを提案する。
我々のフレームワークは、高品質な画像再構成に必要な高周波情報を抽出するために、ディープモデルを用いている。
実験の結果,提案手法は既存の手法に比べて定量的,定性的な画像品質を実現することがわかった。
論文 参考訳（メタデータ） (2020-09-25T20:53:55Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z) - Learning End-to-End Lossy Image Compression: A Benchmark [90.35363142246806]
まず,学習した画像の圧縮方法に関する総合的な文献調査を行う。
本稿では,最先端の学習画像圧縮手法のマイルストーンについて述べるとともに,既存の幅広い作品について概観し,その歴史的開発ルートについて考察する。
エントロピー推定と信号再構成のための粗大な超高次モデルを導入することにより、速度歪み性能の向上を実現する。
論文 参考訳（メタデータ） (2020-02-10T13:13:43Z)
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。