論文の概要: Multi-temporal crack segmentation in concrete structure using deep learning approaches

• arxiv url: http://arxiv.org/abs/2411.04620v1
• Date: Thu, 07 Nov 2024 11:09:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:37:40.451911
• Title: Multi-temporal crack segmentation in concrete structure using deep learning approaches
• Title（参考訳）: 深層学習を用いたコンクリート構造物の多時間き裂セグメント化
• Authors: Said Harb, Pedro Achanccaray, Mehdi Maboudi, Markus Gerke,
• Abstract要約: ひび割れはコンクリート構造物の劣化の最も初期の指標である。 本研究では, ひび割れのセグメンテーションにマルチテンポラルデータを活用することにより, セグメンテーションの品質を高めることができるか検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Cracks are among the earliest indicators of deterioration in concrete structures. Early automatic detection of these cracks can significantly extend the lifespan of critical infrastructures, such as bridges, buildings, and tunnels, while simultaneously reducing maintenance costs and facilitating efficient structural health monitoring. This study investigates whether leveraging multi-temporal data for crack segmentation can enhance segmentation quality. Therefore, we compare a Swin UNETR trained on multi-temporal data with a U-Net trained on mono-temporal data to assess the effect of temporal information compared with conventional single-epoch approaches. To this end, a multi-temporal dataset comprising 1356 images, each with 32 sequential crack propagation images, was created. After training the models, experiments were conducted to analyze their generalization ability, temporal consistency, and segmentation quality. The multi-temporal approach consistently outperformed its mono-temporal counterpart, achieving an IoU of $82.72\%$ and a F1-score of $90.54\%$, representing a significant improvement over the mono-temporal model's IoU of $76.69\%$ and F1-score of $86.18\%$, despite requiring only half of the trainable parameters. The multi-temporal model also displayed a more consistent segmentation quality, with reduced noise and fewer errors. These results suggest that temporal information significantly enhances the performance of segmentation models, offering a promising solution for improved crack detection and the long-term monitoring of concrete structures, even with limited sequential data.
• Abstract（参考訳）: ひび割れはコンクリート構造物の劣化の最も初期の指標である。 これらの亀裂の早期の自動検出は、橋、建物、トンネルなどの重要なインフラの寿命を大幅に延長し、同時にメンテナンスコストを削減し、効率的な構造的健康モニタリングを容易にする。 本研究では, ひび割れのセグメンテーションにマルチテンポラルデータを活用することにより, セグメンテーションの品質を高めることができるか検討する。 そこで我々は,複数時間データに基づいて訓練されたSwin UNETRと,単時間データで訓練されたU-Netを比較し,従来の単一エピック手法と比較して時間的情報の影響を評価する。 この目的のために、32個のシーケンシャルなき裂伝播画像を含む1356個の画像からなる多時間データセットを作成する。 モデルを訓練した後、一般化能力、時間的一貫性、セグメンテーション品質を分析する実験を行った。 マルチテンポラルアプローチは、トレーニング可能なパラメータの半分しか必要とせず、シングルテンポラルモデルのIoUが76.69ドル、F1スコアが86.18ドルに対して大幅に改善されたことを表す、82.72セントのIoUと90.54セントのF1スコアを達成した。 マルチテンポラルモデルは、より一貫性のあるセグメンテーション品質を示し、ノイズの低減とエラーの低減を実現した。 これらの結果から, 時間的情報はセグメント化モデルの性能を著しく向上させ, ひび割れ検出の改善とコンクリート構造物の長期モニタリングに有望なソリューションを提供することが示唆された。

関連論文リスト

• Preventing Model Collapse in Deep Canonical Correlation Analysis by Noise Regularization [10.216526425377149]
  MVRL(Multi-View Representation Learning)は、オブジェクトの統一表現を多視点データから学習することを目的としている。 ディープ・カノニカル相関解析(DCCA)とその変種は単純な定式化を共有し、最先端の性能を示す。 モデル崩壊の問題,すなわちDCCAに基づく手法の性能が,トレーニングが進むと劇的に低下するのを観察する。 モデル崩壊防止のための新しいノイズ正規化手法を備えたNR-DCCAを開発した。
  論文  参考訳（メタデータ） (2024-11-01T06:02:30Z)
• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction [11.918007808289463]
  本稿では、構造化GRU層と非線形ユニットを含む構造化Gated Recurrent Unitsと、モデルの適合性を向上させるために複数の時間層を埋め込んだSGRUを提案する。 我々は,カリフォルニアの4つの公共交通データセット(PeMS03,PeMS04,PeMS07,PeMS08)を回帰予測として評価した。
  論文  参考訳（メタデータ） (2024-04-18T02:15:40Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• CLeaRForecast: Contrastive Learning of High-Purity Representations for Time Series Forecasting [2.5816901096123863]
  時系列予測(TSF)は現代社会において重要であり、多くの領域にまたがっている。 従来の表現学習に基づくTSFアルゴリズムは、典型的には、分離された傾向周期表現を特徴とする対照的な学習パラダイムを取り入れている。 CLeaRForecastは,高純度時系列表現をサンプル,特徴量,アーキテクチャ浄化手法を用いて学習するための,新しいコントラスト学習フレームワークである。
  論文  参考訳（メタデータ） (2023-12-10T04:37:43Z)
• Revisiting the Temporal Modeling in Spatio-Temporal Predictive Learning under A Unified View [73.73667848619343]
  UTEP(Unified S-Temporal Predictive Learning)は,マイクロテンポラリスケールとマクロテンポラリスケールを統合した再帰的および再帰的フリーな手法を再構築する,革新的なフレームワークである。
  論文  参考訳（メタデータ） (2023-10-09T16:17:42Z)
• Dual flow fusion model for concrete surface crack segmentation [0.0]
  亀裂やその他の損傷は交通インフラの安全運用に重大な脅威をもたらす。 ディープラーニングモデルは、実用的な視覚的セグメンテーションタスクに広く応用されている。 本稿では,二重ストリームの融合に基づくひび割れ分割モデルを提案する。
  論文  参考訳（メタデータ） (2023-05-09T02:35:58Z)
• Mlinear: Rethink the Linear Model for Time-series Forecasting [9.841293660201261]
  Mlinearは、主に線形層に基づく単純だが効果的な方法である。 複数のデータセット上で広く使われている平均二乗誤差(MSE)を大幅に上回る新しい損失関数を導入する。 提案手法は,PatchTSTを336列長入力で21:3,512列長入力で29:10で有意に上回った。
  論文  参考訳（メタデータ） (2023-05-08T15:54:18Z)
• The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
  本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。 以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。 本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:15:33Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)

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。