論文の概要: Segment Any Crack: Deep Semantic Segmentation Adaptation for Crack Detection

• arxiv url: http://arxiv.org/abs/2504.14138v1
• Date: Sat, 19 Apr 2025 02:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 04:50:15.803166
• Title: Segment Any Crack: Deep Semantic Segmentation Adaptation for Crack Detection
• Title（参考訳）: き裂検出のためのディープ・セマンティック・セマンティック・セグメンテーション・アダプション
• Authors: Ghodsiyeh Rostami, Po-Han Chen, Mahdi S. Hosseini,
• Abstract要約: 本研究では, ひび割れ検出のためのセグメンテーションモデルの適応性を高めるために, 正規化成分のチューニングに着目した効率的な微調整手法を提案する。 実験結果から、正規化パラメータのみの選択微調整は、性能と計算効率の両方において、完全な微調整や他の一般的な微調整技術よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 7.987499902582734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-based crack detection algorithms are increasingly in demand in infrastructure monitoring, as early detection of cracks is of paramount importance for timely maintenance planning. While deep learning has significantly advanced crack detection algorithms, existing models often require extensive labeled datasets and high computational costs for fine-tuning, limiting their adaptability across diverse conditions. This study introduces an efficient selective fine-tuning strategy, focusing on tuning normalization components, to enhance the adaptability of segmentation models for crack detection. The proposed method is applied to the Segment Anything Model (SAM) and five well-established segmentation models. Experimental results demonstrate that selective fine-tuning of only normalization parameters outperforms full fine-tuning and other common fine-tuning techniques in both performance and computational efficiency, while improving generalization. The proposed approach yields a SAM-based model, Segment Any Crack (SAC), achieving a 61.22\% F1-score and 44.13\% IoU on the OmniCrack30k benchmark dataset, along with the highest performance across three zero-shot datasets and the lowest standard deviation. The results highlight the effectiveness of the adaptation approach in improving segmentation accuracy while significantly reducing computational overhead.
• Abstract（参考訳）: 画像に基づく亀裂検出アルゴリズムは、亀裂の早期検出がタイムリーなメンテナンス計画において最重要となるため、インフラ監視においてますます需要が高まっている。 ディープラーニングは、かなり高度なき裂検出アルゴリズムを持っているが、既存のモデルは、広範囲のラベル付きデータセットと、微調整のための高い計算コストを必要とし、様々な条件にまたがる適応性を制限している。 本研究では, ひび割れ検出のためのセグメンテーションモデルの適応性を高めるために, 正規化成分のチューニングに着目した効率的な微調整手法を提案する。 提案手法は,Segment Anything Model (SAM) と5つの確立されたセグメンテーションモデルに適用される。 実験結果から,正規化パラメータのみの選択的微調整は,性能と計算効率の両面において,完全微調整や他の一般的な微調整技術よりも優れ,一般化の向上を図っている。 提案手法では,OmniCrack30kベンチマークデータセット上で61.22\% F1スコアと44.13\% IoUを達成したSAMベースモデルであるSegment Any Crack (SAC)が,ゼロショットデータセット3つと標準偏差の最低値である。 その結果,計算オーバーヘッドを著しく低減しつつ,セグメント化精度を向上させる適応手法の有効性を強調した。

関連論文リスト

• Predictive Maintenance Study for High-Pressure Industrial Compressors: Hybrid Clustering Models [39.58317527488534]
  正規化相互情報(NMI)や調整ランダム指標(ARI)などの品質指標を用いてクラスタリングアルゴリズムの評価を行った。 これらの特徴は、リッチレグレッションモデルにより、故障検出の精度を平均4.87パーセント向上させる。 クロスバリデーションと重要なパフォーマンス指標は、予測メンテナンスモデルにおけるクラスタリングベースの機能のメリットを確認した。
  論文  参考訳（メタデータ） (2024-11-21T08:14:26Z)
• 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)
• Investigating the Semantic Robustness of CLIP-based Zero-Shot Anomaly Segmentation [2.722220619798093]
  3つの意味変換を用いて実験データを摂動することで,ゼロショット異常セグメンテーションアルゴリズムの性能について検討する。 モデルアーキテクチャや学習目標に関係なく、3つのCLIPバックボーンでパフォーマンスが一貫して低下していることが分かりました。
  論文  参考訳（メタデータ） (2024-05-13T17:47:08Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• Evaluation and Comparison of Deep Learning Methods for Pavement Crack Identification with Visual Images [0.0]
  ディープラーニングアルゴリズムによる視覚画像による舗装き裂の識別は、検出対象の材料によって制限されないという利点がある。 パッチサンプル分類の面では、細調整されたTLモデルはEDモデルと精度で同等またはわずかに良い。 正確なクラック位置の面では、EDアルゴリズムとGANアルゴリズムの両方がピクセルレベルのセグメンテーションを達成でき、低演算パワープラットフォーム上でリアルタイムに検出されることが期待できる。
  論文  参考訳（メタデータ） (2021-12-20T08:23:43Z)
• 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)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• A Self-Refinement Strategy for Noise Reduction in Grammatical Error Correction [54.569707226277735]
  既存の文法的誤り訂正(GEC)のアプローチは、手動で作成したGECデータセットによる教師あり学習に依存している。 誤りが不適切に編集されたり、修正されなかったりする「ノイズ」は無視できないほどある。 本稿では,既存のモデルの予測整合性を利用して,これらのデータセットをデノマイズする自己補充手法を提案する。
  論文  参考訳（メタデータ） (2020-10-07T04:45:09Z)
• Hierarchical and Efficient Learning for Person Re-Identification [19.172946887940874]
  階層的大域的, 部分的, 回復的特徴を複数の損失結合の監督の下で学習する, 階層的, 効率的なネットワーク(HENet)を提案する。 また,RPE (Random Polygon Erasing) と呼ばれる新しいデータセット拡張手法を提案する。
  論文  参考訳（メタデータ） (2020-05-18T15:45:25Z)

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。