論文の概要: A YOLO-Based Semi-Automated Labeling Approach to Improve Fault Detection Efficiency in Railroad Videos

• arxiv url: http://arxiv.org/abs/2504.01010v1
• Date: Tue, 01 Apr 2025 17:50:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:19:38.748702
• Title: A YOLO-Based Semi-Automated Labeling Approach to Improve Fault Detection Efficiency in Railroad Videos
• Title（参考訳）: 鉄道ビデオの故障検出効率向上のためのYOLOに基づく半自動ラベリング手法
• Authors: Dylan Lester, James Gao, Samuel Sutphin, Pingping Zhu, Husnu Narman, Ammar Alzarrad,
• Abstract要約: 本研究は, 鉄道ビデオにおけるラベリング過程の合理化と故障検出精度の向上を目的とした半自動ラベリング手法を提案する。 手動ラベル付きデータの小さなセットでプロセスを開始することで、各サイクルの出力を用いて、モデル精度を向上させるために、我々のアプローチは反復的にYOLOモデルを訓練する。 モデル予測の修正を容易にするため, YOLOの検出データを編集可能なテキストファイルとしてエクスポートするシステムを開発した。
• 参考スコア（独自算出の注目度）: 1.5899242068745614
• License:
• Abstract: Manual labeling for large-scale image and video datasets is often time-intensive, error-prone, and costly, posing a significant barrier to efficient machine learning workflows in fault detection from railroad videos. This study introduces a semi-automated labeling method that utilizes a pre-trained You Only Look Once (YOLO) model to streamline the labeling process and enhance fault detection accuracy in railroad videos. By initiating the process with a small set of manually labeled data, our approach iteratively trains the YOLO model, using each cycle's output to improve model accuracy and progressively reduce the need for human intervention. To facilitate easy correction of model predictions, we developed a system to export YOLO's detection data as an editable text file, enabling rapid adjustments when detections require refinement. This approach decreases labeling time from an average of 2 to 4 minutes per image to 30 seconds to 2 minutes, effectively minimizing labor costs and labeling errors. Unlike costly AI based labeling solutions on paid platforms, our method provides a cost-effective alternative for researchers and practitioners handling large datasets in fault detection and other detection based machine learning applications.
• Abstract（参考訳）: 大規模な画像やビデオデータセットのマニュアルラベリングは、多くの場合、時間集約的でエラーが発生し、コストがかかるため、鉄道ビデオからの障害検出において、効率的な機械学習ワークフローに対する大きな障壁となる。 本研究では,事前学習したYou Only Look Once (YOLO) モデルを用いて,ラベリングプロセスの合理化と鉄道ビデオの故障検出精度の向上を図る半自動ラベリング手法を提案する。 手動ラベル付きデータの小さなセットでプロセスを開始することで、各サイクルの出力を使用して、YOLOモデルを反復的にトレーニングし、モデルの精度を改善し、人間の介入の必要性を段階的に低減する。 モデル予測の容易な修正を実現するため, YOLOの検出データを編集可能なテキストファイルとしてエクスポートするシステムを開発した。 このアプローチは、画像毎の平均2分から4分までのラベリング時間を30秒から2分に短縮し、作業コストとラベリングエラーを効果的に最小化する。 有償プラットフォーム上のコストの高いAIベースのラベリングソリューションとは異なり、当社の手法は、フォールト検出やその他の検出ベースの機械学習アプリケーションにおいて、大規模なデータセットを扱う研究者や実践者に対して、コスト効率のよい代替手段を提供する。

関連論文リスト

• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Machine Learning with Real-time and Small Footprint Anomaly Detection System for In-Vehicle Gateway [6.9113469208163245]
  我々は、自己情報理論を用いて、トレーニングとテストモデルの値を生成することを提案する。 提案手法は偽陽性率(FPR)の8.7倍,テスト時間が1.77倍,フットプリントが4.88倍である。
  論文  参考訳（メタデータ） (2024-06-24T07:23:52Z)
• Incremental Self-training for Semi-supervised Learning [56.57057576885672]
  ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。 提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
  論文  参考訳（メタデータ） (2024-04-14T05:02:00Z)
• Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
  電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。 マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。 ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T03:25:12Z)
• 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)
• Efficient human-in-loop deep learning model training with iterative refinement and statistical result validation [0.0]
  本稿では,超音波イメージング機械学習パイプラインのデータクリーニングに必要なセグメンテーションを作成する方法を紹介する。 本研究では、自動生成したトレーニングデータと人間の視覚的チェックを高速に活用し、時間とコストを低く保ちながら、モデルの精度を向上させる4段階の手法を提案する。 本手法は、静的PHIを含む背景データを除去し、心臓超音波セグメンテーションタスクで実演する。
  論文  参考訳（メタデータ） (2023-04-03T13:56:01Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• A data-centric weak supervised learning for highway traffic incident detection [1.0323063834827415]
  我々は、高速道路における交通事故検出の誤報率を低減し、精度を向上させるために、データ中心のアプローチに焦点を当てる。 我々は,インシデントデータに対する高品質なトレーニングラベルを生成するために,基礎的真理ラベルを使わずに,弱教師付き学習ワークフローを開発する。 提案した弱教師付き学習ワークフローは,高い事故検出率 (0.90) と低い誤警報率 (0.08) を達成することを示す。
  論文  参考訳（メタデータ） (2021-12-17T22:14:47Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)

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。