論文の概要: Advancing Pavement Distress Detection in Developing Countries: A Novel Deep Learning Approach with Locally-Collected Datasets

• arxiv url: http://arxiv.org/abs/2408.05649v1
• Date: Sat, 10 Aug 2024 23:20:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 18:01:49.049695
• Title: Advancing Pavement Distress Detection in Developing Countries: A Novel Deep Learning Approach with Locally-Collected Datasets
• Title（参考訳）: 発展途上国における舗装距離検出の高度化:局所的に収集したデータセットを用いた新しい深層学習手法
• Authors: Blessing Agyei Kyem, Eugene Kofi Okrah Denteh, Joshua Kofi Asamoah, Kenneth Adomako Tutu, Armstrong Aboah,
• Abstract要約: 開発途上国の道路インフラ整備は、資源の制約と多様な環境要因により、独特な課題に直面している。 本研究は, 効率的な, 正確で, 局所的な舗装災害検出法の必要性に対処するものである。 本稿では、YOLO(You Only Look Once)オブジェクト検出モデルと畳み込みブロック注意モジュールを組み合わせた新しいディープラーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 3.378738346115004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Road infrastructure maintenance in developing countries faces unique challenges due to resource constraints and diverse environmental factors. This study addresses the critical need for efficient, accurate, and locally-relevant pavement distress detection methods in these regions. We present a novel deep learning approach combining YOLO (You Only Look Once) object detection models with a Convolutional Block Attention Module (CBAM) to simultaneously detect and classify multiple pavement distress types. The model demonstrates robust performance in detecting and classifying potholes, longitudinal cracks, alligator cracks, and raveling, with confidence scores ranging from 0.46 to 0.93. While some misclassifications occur in complex scenarios, these provide insights into unique challenges of pavement assessment in developing countries. Additionally, we developed a web-based application for real-time distress detection from images and videos. This research advances automated pavement distress detection and provides a tailored solution for developing countries, potentially improving road safety, optimizing maintenance strategies, and contributing to sustainable transportation infrastructure development.
• Abstract（参考訳）: 開発途上国の道路インフラ整備は、資源の制約と多様な環境要因により、独特な課題に直面している。 本研究は,これらの地域において,効率的な,正確で,かつ局所的な舗装災害検出法の必要性に対処するものである。 本稿では, YOLO(You Only Look Once)オブジェクト検出モデルとCBAM(Convolutional Block Attention Module)を組み合わせた新しいディープラーニング手法を提案する。 このモデルでは, ポットホール, 長手き裂, アリゲータき裂, レイブリングの検出・分類において, 信頼性スコアは0.46～0.93である。 いくつかの誤分類は複雑なシナリオで起こるが、これらは発展途上国における舗装評価の独特な課題についての洞察を提供する。 さらに,画像やビデオからリアルタイムの災害検出を行うWebアプリケーションを開発した。 本研究は, 自動舗装災害検出を推進し, 道路安全の向上, メンテナンス戦略の最適化, 持続可能な交通インフラ整備に寄与する, 開発途上国に適したソリューションを提供する。

関連論文リスト

• Occlusion-Aware 2D and 3D Centerline Detection for Urban Driving via Automatic Label Generation [4.921246328739616]
  本研究は,高ダイナミックな都市運転シナリオ下での2次元および3次元の道路トポロジ情報を決定する戦略を探求し,特定することを目的とする。 この探索を容易にするために、100万近い自動ラベル付きデータフレームからなる実質的なデータセットを導入する。
  論文  参考訳（メタデータ） (2023-11-03T17:20:34Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Deep Learning Approaches in Pavement Distress Identification: A Review [0.39373541926236766]
  本稿では,舗装災害検出・分類のための画像処理技術と深層学習技術の最近の進歩を概観する。 これらのアルゴリズムがパターンを識別し、広範囲なデータセットに基づいて予測する能力は、舗装災害識別の領域に革命をもたらした。 高解像度画像をキャプチャすることで、UAVは深層学習アルゴリズムを用いて処理できる貴重なデータを提供し、様々な舗装の苦痛を効果的に検出し分類する。
  論文  参考訳（メタデータ） (2023-08-01T20:30:11Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Pavement Distress Detection and Segmentation using YOLOv4 and DeepLabv3 on Pavements in the Philippines [0.0]
  本研究は,2次元RGB画像からの2種類の舗装難読記録のための深層学習手法を提案する。 YOLOv4は舗装救難検出に使用され、DeepLabv3はフィリピンの舗装救難画像の小さなデータセットの舗装救難セグメンテーションに使用される。
  論文  参考訳（メタデータ） (2021-03-11T05:25:29Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)
• An Efficient and Scalable Deep Learning Approach for Road Damage Detection [0.0]
  本稿では,画像に基づく苦難データをリアルタイムに分析するためのディープラーニングに基づくサーベイ手法を提案する。 縦ひび割れ,横ひび割れ,アリゲーターひび割れなど,ひび割れの多種多様な種類からなるデータベースを用いる。 提案されたモデルでは、F1スコアは52%から56%まで、平均推測時間は毎秒178-10枚だった。
  論文  参考訳（メタデータ） (2020-11-18T23:05:41Z)
• Deep Machine Learning Approach to Develop a New Asphalt Pavement Condition Index [0.0]
  近年、ディープラーニングの進歩により、先例のない精度で舗装画像を分析するための堅牢なツールが開発されている。 ディープラーニングモデルは大きな真実データセットを必要とするが、舗装現場ではアクセスできないことが多い。 本研究では,より堅牢で容易に配置可能な舗装条件評価システムに向けた第一歩として,ラベル付き舗装データセットを提示した前回の研究をレビューした。
  論文  参考訳（メタデータ） (2020-04-28T05:57:43Z)

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。