論文の概要: TD-RD: A Top-Down Benchmark with Real-Time Framework for Road Damage Detection

• arxiv url: http://arxiv.org/abs/2501.14302v1
• Date: Fri, 24 Jan 2025 08:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:56.533641
• Title: TD-RD: A Top-Down Benchmark with Real-Time Framework for Road Damage Detection
• Title（参考訳）: TD-RD:道路損傷検出のためのリアルタイムフレームワークを用いたトップダウンベンチマーク
• Authors: Xi Xiao, Zhengji Li, Wentao Wang, Jiacheng Xie, Houjie Lin, Swalpa Kumar Roy, Tianyang Wang, Min Xu,
• Abstract要約: インフラ整備や道路安全などの応用において重要な意味があるにもかかわらず、道路損傷検出はいまだに比較的検討中である。 本稿では,道路損傷検出に適した既存のデータセットを補完する,新しいトップダウンベンチマークを導入することで,このギャップに対処する。 提案したトップダウン道路被害検出データセット (TDRD) には, 道路損傷亀裂, 穴, および, 注釈付きトップダウン視点のパッチの3つの主要なカテゴリが含まれている。
• 参考スコア（独自算出の注目度）: 17.370420825916867
• License:
• Abstract: Object detection has witnessed remarkable advancements over the past decade, largely driven by breakthroughs in deep learning and the proliferation of large scale datasets. However, the domain of road damage detection remains relatively under explored, despite its critical significance for applications such as infrastructure maintenance and road safety. This paper addresses this gap by introducing a novel top down benchmark that offers a complementary perspective to existing datasets, specifically tailored for road damage detection. Our proposed Top Down Road Damage Detection Dataset (TDRD) includes three primary categories of road damage cracks, potholes, and patches captured from a top down viewpoint. The dataset consists of 7,088 high resolution images, encompassing 12,882 annotated instances of road damage. Additionally, we present a novel real time object detection framework, TDYOLOV10, designed to handle the unique challenges posed by the TDRD dataset. Comparative studies with state of the art models demonstrate competitive baseline results. By releasing TDRD, we aim to accelerate research in this crucial area. A sample of the dataset will be made publicly available upon the paper's acceptance.
• Abstract（参考訳）: 物体検出は、ディープラーニングのブレークスルーと大規模なデータセットの急増によって、過去10年間に顕著な進歩をみせた。 しかし, インフラ整備や道路安全などの応用において重要な意味があるにもかかわらず, 道路被害検出の領域はいまだに検討中である。 本稿では,道路損傷検出に適した既存のデータセットを補完する,新しいトップダウンベンチマークを導入することで,このギャップに対処する。 提案したトップダウン道路損傷検出データセット(TDRD)は, 道路損傷の亀裂, 穴, パッチの3つの主要なカテゴリを含む。 データセットは7,088枚の高解像度画像で構成され、12,882個の注釈付き道路損傷事例を含んでいる。 さらに,TDRDデータセットがもたらすユニークな課題に対処するために,新しいリアルタイムオブジェクト検出フレームワークTDYOLOV10を提案する。 最先端モデルとの比較研究は、競合するベースラインの結果を示している。 TDRDをリリースすることで、この重要な分野の研究を加速することを目指しています。 データセットのサンプルは、論文の受理時に公開されます。

関連論文リスト

• Cut-and-Paste with Precision: a Content and Perspective-aware Data Augmentation for Road Damage Detection [5.939858158928473]
  道路の損傷は、道路インフラの完全性、安全性、耐久性に重大な課題をもたらす可能性がある。 近年、道路監視アプリケーションにおいて、画像に基づく損傷検出のための様々なデータ駆動手法が研究されている。 本稿では、コンテンツ認識(すなわち、画像中の道路の真の位置を考える)と視点認識(すなわち、注入された損傷と対象画像との視点の差を考慮する)の両面から改善されたカット・アンド・ペースト増強手法を提案する。
  論文  参考訳（メタデータ） (2024-06-06T09:06:42Z)
• Label-Efficient 3D Object Detection For Road-Side Units [10.663986706501188]
  協調的知覚は、インテリジェント・ロードサイド・ユニット(RSU)との深部情報融合による自動運転車の知覚を高める これらの手法は、特に注釈付きRSUデータを必要とするため、実際のデプロイメントにおいて大きなハードルを生んでいる。 教師なしオブジェクト発見に基づくRSUのためのラベル効率の高いオブジェクト検出手法を考案する。
  論文  参考訳（メタデータ） (2024-04-09T12:29:16Z)
• Real-IAD: A Real-World Multi-View Dataset for Benchmarking Versatile Industrial Anomaly Detection [46.495442380849894]
  大規模・実世界・多視点産業異常検出データセットであるReal-IADを提案する。 30の異なるオブジェクトの150Kの高解像度画像が含まれており、これは既存のデータセットよりも桁違いに大きい。 このデータセットを実際のアプリケーションシナリオに近づけるために,多視点撮影法とサンプルレベルの評価指標を提案する。
  論文  参考訳（メタデータ） (2024-03-19T09:44:41Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)
• DetZero: Rethinking Offboard 3D Object Detection with Long-term Sequential Point Clouds [55.755450273390004]
  既存のオフボード3D検出器は、無限の逐次点雲を利用するために常にモジュラーパイプライン設計に従っている。 その結果, 物体の運動状態は, 物体中心の精製段階において必然的な課題となること, 物体の運動状態は, 物体軌道を十分に生成できないこと, 物体中心の精製段階において必然的な課題となること, の2つの理由から, オフボード型3D検出器の完全なポテンシャルは明らかにされていないことがわかった。 これらの問題に対処するために,DetZero という,オフボード型3次元物体検出の新たなパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-06-09T16:42:00Z)
• Spatio-Temporal Context Modeling for Road Obstacle Detection [12.464149169670735]
  トレーニングデータのレイアウトを用いて、駆動シーンのデータ駆動コンテキスト時間モデルを構築する。 障害物は最先端のオブジェクト検出アルゴリズムによって検出され、結果は生成されたシーンと組み合わせられる。
  論文  参考訳（メタデータ） (2023-01-19T07:06:35Z)
• SRRT: Exploring Search Region Regulation for Visual Object Tracking [58.68120400180216]
  探索領域規則追跡(SRRT)と呼ばれる新しい追跡パラダイムを提案する。 SRRTでは,各フレームに対して最適な探索領域を動的に推定するために,提案された探索領域レギュレータを適用している。 大規模なLaSOTベンチマークでは、SRRTはSiamRPN++とTransTをAUCの4.6%と3.1%で改善した。
  論文  参考訳（メタデータ） (2022-07-10T11:18:26Z)
• Hindsight is 20/20: Leveraging Past Traversals to Aid 3D Perception [59.2014692323323]
  小さな、遠く、あるいは非常に隠蔽された物体は、検出するためのLiDAR点雲に限られた情報があるため、特に困難である。 本稿では,過去データから文脈情報を抽出する,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。 このフレームワークは現代のほとんどの3D検出アーキテクチャと互換性があり、複数の自律走行データセットの平均精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-03-22T00:58:27Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• Unsupervised Pixel-level Road Defect Detection via Adversarial Image-to-Frequency Transform [8.644679871804872]
  本稿では,AIFT(Adversarial Image-to-Frequency Transform)を用いた道路欠陥検出のための教師なし手法を提案する。 AIFTは、欠陥検出モデルの導出において、教師なしの方法と敵対的な学習を採用するため、道路舗装欠陥に対するアノテーションは不要である。
  論文  参考訳（メタデータ） (2020-01-30T04:50:00Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。