Fugu-MT 論文翻訳(概要): Maintaining and Managing Road Quality:Using MLP and DNN

論文の概要: Maintaining and Managing Road Quality:Using MLP and DNN

arxiv url: http://arxiv.org/abs/2405.16196v1
Date: Sat, 25 May 2024 11:57:50 GMT
ステータス: 処理完了
システム内更新日: 2024-05-29 00:31:06.127706
Title: Maintaining and Managing Road Quality:Using MLP and DNN
Title（参考訳）: 道路品質の維持と管理:MLPとDNNを用いて
Authors: Makgotso Jacqueline Maotwana,
Abstract要約: この研究は、機械学習が道路状況の監視、時間の節約、メンテナンスの費用を自動化できることを示している。次のステップは、これらのモデルを改善して、実際の都市でテストすることだ。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Poor roads are a major issue for cars, drivers, and pedestrians since they are a major cause of vehicle damage and can occasionally be quite dangerous for both groups of people (pedestrians and drivers), this makes road surface condition monitoring systems essential for traffic safety, reducing accident rates ad also protecting vehicles from getting damaged. The primary objective is to develop and evaluate machine learning models that can accurately classify road conditions into four categories: good, satisfactory, poor, and very poor, using a Kaggle dataset of road images. To address this, we implemented a variety of machine learning approaches. Firstly, a baseline model was created using a Multilayer Perceptron (MLP) implemented from scratch. Secondly, a more sophisticated Deep Neural Network (DNN) was constructed using Keras. Additionally, we developed a Logistic Regression model from scratch to compare performance. Finally, a wide model incorporating extensive feature engineering was built using the K-Nearest Neighbors (KNN) algorithm with sklearn.The study compared different models for image-based road quality assessment. Deep learning models, the DNN with Keras achieved the best accuracy, while the baseline MLP provided a solid foundation. The Logistic Regression although it is simpler, but it provided interpretability and insights into important features. The KNN model, with the help of feature engineering, achieved the best results. The research shows that machine learning can automate road condition monitoring, saving time and money on maintenance. The next step is to improve these models and test them in real cities, which will make our cities better managed and safer.
Abstract（参考訳）: 自動車、運転者、歩行者にとって道路の低さは大きな問題であり、車両の損傷の主な原因であり、時には歩行者と運転者の両方にとって非常に危険であるため、道路表面の状況監視システムは交通安全に不可欠であり、事故率の低減と車両の損傷防止も図られている。主な目的は、道路条件を正確に分類できる機械学習モデルを開発し、評価することである。これを解決するために、さまざまな機械学習アプローチを実装しました。まず、スクラッチから実装されたMultilayer Perceptron(MLP)を使用してベースラインモデルを作成する。第二に、より洗練されたディープニューラルネットワーク(DNN)がKerasを使って構築された。さらに、パフォーマンスを比較するために、スクラッチからロジスティック回帰モデルを開発した。最後に,K-Nearest Neighbors (KNN) アルゴリズムとスケルンを用いて,広範な特徴工学を取り入れた広範モデルを構築した。ディープラーニングモデルであるKerasを用いたDNNは、ベースラインのMLPがしっかりとした基盤を提供するのに対して、最高の精度を実現した。 Logistic Regressionはシンプルだが、重要な機能に対する解釈可能性と洞察を提供する。 KNNモデルは、機能エンジニアリングの助けを借りて、最高の結果を得た。この研究は、機械学習が道路状況の監視、時間の節約、メンテナンスの費用を自動化できることを示している。次のステップは、これらのモデルを改善して、実際の都市でテストすることだ。

関連論文リスト

Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文参考訳（メタデータ） (2024-04-30T23:18:51Z)
MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot Learning [52.101643259906915]
本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
論文参考訳（メタデータ） (2024-01-06T21:04:31Z)
Smart Traffic Management of Vehicles using Faster R-CNN based Deep Learning Method [0.0]
本研究では,より高速なR-CNNに基づく深層学習手法を車両のセグメンテーションに向けて検討する。計算フレームワークは適応的背景モデリングのアイデアを使用する。実験結果は,この計算フレームワークの優位性を示している。
論文参考訳（メタデータ） (2023-11-03T05:30:13Z)
Implicit Sensing in Traffic Optimization: Advanced Deep Reinforcement Learning Techniques [4.042717292629285]
本稿では,Deep Reinforcement Learning(DRL)に基づく車追従・車線変更決定制御システムを提案する。我々は、よく知られたDQNアルゴリズムを用いてRLエージェントを訓練し、適切な判断を下す。提案したモデルの性能を,エプシロン・グレーディ・ポリシーとボルツマン・ポリシーの2つのポリシーで評価する。
論文参考訳（メタデータ） (2023-09-25T15:33:08Z)
Analyzing Robustness of the Deep Reinforcement Learning Algorithm in Ramp Metering Applications Considering False Data Injection Attack and Defense [0.0]
ランプメータリング(英語: Ramp metering)は、高速道路の本線への車両の走行を制御する行為である。深部Q-Learningアルゴリズムは,ループ検出情報のみを入力として利用する。モデルは、道路のジオメトリーやレイアウトに関わらず、ほぼすべてのランプ計測サイトに応用できる。
論文参考訳（メタデータ） (2023-01-28T00:40:46Z)
Towards Robust k-Nearest-Neighbor Machine Translation [72.9252395037097]
近年,k-Nearest-Neighbor Machine Translation (kNN-MT)がNMTの重要な研究方向となっている。その主なアイデアは、NMTモデルを更新することなく翻訳を変更するために、追加のデータストアから有用なキーと値のペアを取得することである。取り出したノイズペアはモデル性能を劇的に低下させる。ノイズの影響を軽減するために,頑健なトレーニングを施した信頼性向上kNN-MTモデルを提案する。
論文参考訳（メタデータ） (2022-10-17T07:43:39Z)
Collision Detection: An Improved Deep Learning Approach Using SENet and ResNext [6.736699393205048]
本稿では,SENetブロックを用いたResNextアーキテクチャを用いたディープラーニングモデルを提案する。提案モデルでは, GTACrash 合成データの有意に少ない比率で, ROC-AUC 0.91 を達成する既存のベースラインモデルよりも優れていた。
論文参考訳（メタデータ） (2022-01-13T02:10:14Z)
RobustART: Benchmarking Robustness on Architecture Design and Training Techniques [170.3297213957074]
ディープニューラルネットワーク(DNN)は敵の雑音に弱い。アーキテクチャ設計とトレーニングのテクニックが堅牢性にどのように影響するかに関する包括的な研究はない。本稿では,ImageNet上での包括性調査ベンチマークを提案する。
論文参考訳（メタデータ） (2021-09-11T08:01:14Z)
Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文参考訳（メタデータ） (2020-12-15T03:03:38Z)
Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文参考訳（メタデータ） (2020-12-04T15:10:12Z)
An Improved Deep Convolutional Neural Network-Based Autonomous Road Inspection Scheme Using Unmanned Aerial Vehicles [12.618653234201089]
この研究は、改良された畳み込みニューラルネットワーク(CNN)モデルであり、道路のクラック、ポットホール、黄色のレーンを検出するための実装である。黄色の車線検出・追跡の目的は、WIFIまたは5G媒体を介して、道路の亀裂や穴を検知・報告しながら、黄色い車線を追従し、無人航空機(UAV)の自律航法を実現することである。
論文参考訳（メタデータ） (2020-08-14T04:35:10Z)

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。