論文の概要: Crack Detection in Infrastructure Using Transfer Learning, Spatial Attention, and Genetic Algorithm Optimization

• arxiv url: http://arxiv.org/abs/2411.17140v1
• Date: Tue, 26 Nov 2024 06:12:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:35:13.025341
• Title: Crack Detection in Infrastructure Using Transfer Learning, Spatial Attention, and Genetic Algorithm Optimization
• Title（参考訳）: 伝達学習,空間的注意,遺伝的アルゴリズム最適化を用いたインフラのき裂検出
• Authors: Feng Ding,
• Abstract要約: 亀裂検出は、道路、橋、建物などのインフラの維持と安全性において重要な役割を担っている。 伝統的に手動検査が標準であったが、労働集約的で主観的で危険である。 本稿では, 深層学習, 移動学習, 空間的注意機構, 遺伝的アルゴリズム(GA)最適化を活用した, インフラのひび割れ検出のための高度な手法を提案する。
• 参考スコア（独自算出の注目度）: 3.1687473999848836
• License:
• Abstract: Crack detection plays a pivotal role in the maintenance and safety of infrastructure, including roads, bridges, and buildings, as timely identification of structural damage can prevent accidents and reduce costly repairs. Traditionally, manual inspection has been the norm, but it is labor-intensive, subjective, and hazardous. This paper introduces an advanced approach for crack detection in infrastructure using deep learning, leveraging transfer learning, spatial attention mechanisms, and genetic algorithm(GA) optimization. To address the challenge of the inaccessability of large amount of data, we employ ResNet50 as a pre-trained model, utilizing its strong feature extraction capabilities while reducing the need for extensive training datasets. We enhance the model with a spatial attention layer as well as a customized neural network which architecture was fine-tuned using GA. A comprehensive case study demonstrates the effectiveness of the proposed Attention-ResNet50-GA model, achieving a precision of 0.9967 and an F1 score of 0.9983, outperforming conventional methods. The results highlight the model's ability to accurately detect cracks in various conditions, making it highly suitable for real-world applications where large annotated datasets are scarce.
• Abstract（参考訳）: ひび割れの検出は、道路、橋、建物などのインフラの維持と安全性において重要な役割を担っている。 伝統的に手動検査が標準であったが、労働集約的で主観的で危険である。 本稿では, 深層学習, 移動学習, 空間的注意機構, 遺伝的アルゴリズム(GA)最適化を活用した, インフラのひび割れ検出のための高度な手法を提案する。 大量のデータにアクセスできないという課題に対処するため、私たちはResNet50を事前トレーニングモデルとして使用し、その強力な特徴抽出機能を活用しながら、広範なトレーニングデータセットの必要性を低減した。 我々は、GAを用いてアーキテクチャを微調整したカスタマイズニューラルネットワークとともに、空間的注意層でモデルを強化する。 従来手法よりも精度0.9967とF1スコア0.9983を達成し,本モデルの有効性を総合的に検証した。 結果は、さまざまな条件下でひび割れを正確に検出するモデルの能力を強調し、大きなアノテートデータセットが不足している現実世界のアプリケーションに非常に適している。

関連論文リスト

• Revisiting Deep Feature Reconstruction for Logical and Structural Industrial Anomaly Detection [2.3020018305241337]
  産業異常検出は品質管理と予測維持に不可欠である。 既存の手法では、深層学習ネットワークから抽出された画像パッチから複数スケールの特徴を活用することで、デントやスクラッチなどの構造異常を一般的に検出する。 構造異常を検出するためのメモリと計算効率のよいアプローチであるDeep Feature Restruction (DFR) に注目し,これらの制約に対処する。 我々はさらに、DFRをUDSADと呼ばれる統一されたフレームワークに拡張し、構造的および論理的異常の両方を検出する。
  論文  参考訳（メタデータ） (2024-10-21T17:56:47Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• High-Resolution Detection of Earth Structural Heterogeneities from Seismic Amplitudes using Convolutional Neural Networks with Attention layers [0.31457219084519]
  本稿では,CNN(Convolutional Neural Networks)とアテンション層を組み合わせた構造的不均一性検出のための効率的で費用対効果の高いアーキテクチャを提案する。 我々のモデルは最先端技術と比較して半分のパラメータを持ち、IoU(Intersection over Union)では0.6%、精度は0.4%という従来の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-04-15T22:49:37Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Concrete Surface Crack Detection with Convolutional-based Deep Learning Models [0.0]
  き裂検出は、建物の構造的健康モニタリングと検査に重要である。 畳み込みニューラルネットワーク(CNN)は、ひび割れ検出のための有望なフレームワークとして登場した。 我々は、事前訓練されたディープラーニングアーキテクチャに微調整技術を採用する。
  論文  参考訳（メタデータ） (2024-01-13T17:31:12Z)
• A Computer Vision Enabled damage detection model with improved YOLOv5 based on Transformer Prediction Head [0.0]
  現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。 DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。 DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
  論文  参考訳（メタデータ） (2023-03-07T22:53:36Z)
• 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)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。