論文の概要: SLICK: Selective Localization and Instance Calibration for Knowledge-Enhanced Car Damage Segmentation in Automotive Insurance

• arxiv url: http://arxiv.org/abs/2506.10528v1
• Date: Thu, 12 Jun 2025 09:49:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.676789
• Title: SLICK: Selective Localization and Instance Calibration for Knowledge-Enhanced Car Damage Segmentation in Automotive Insurance
• Title（参考訳）: SLICK:自動車保険における知識強化型自動車損傷セグメンテーションのための選択的ローカライゼーションと事例校正
• Authors: Teerapong Panboonyuen,
• Abstract要約: SLICKは、正確で堅牢な自動車損傷セグメンテーションのための新しいフレームワークである。 セグメンテーション車両部品の外科的精度を達成するために、構造的先行によって導かれる高精細なセマンティックバックボーンを使用する。 また、クラッシュデータ、部分幾何学、および現実の保険データセットを統合して、稀なケースを効果的に改善および処理する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present SLICK, a novel framework for precise and robust car damage segmentation that leverages structural priors and domain knowledge to tackle real-world automotive inspection challenges. SLICK introduces five key components: (1) Selective Part Segmentation using a high-resolution semantic backbone guided by structural priors to achieve surgical accuracy in segmenting vehicle parts even under occlusion, deformation, or paint loss; (2) Localization-Aware Attention blocks that dynamically focus on damaged regions, enhancing fine-grained damage detection in cluttered and complex street scenes; (3) an Instance-Sensitive Refinement head that leverages panoptic cues and shape priors to disentangle overlapping or adjacent parts, enabling precise boundary alignment; (4) Cross-Channel Calibration through multi-scale channel attention that amplifies subtle damage signals such as scratches and dents while suppressing noise like reflections and decals; and (5) a Knowledge Fusion Module that integrates synthetic crash data, part geometry, and real-world insurance datasets to improve generalization and handle rare cases effectively. Experiments on large-scale automotive datasets demonstrate SLICK's superior segmentation performance, robustness, and practical applicability for insurance and automotive inspection workflows.
• Abstract（参考訳）: SLICKは、構造的事前知識とドメイン知識を活用して、実世界の自動車検査に挑戦する、正確で堅牢な自動車損傷セグメンテーションのための新しいフレームワークである。 SLICKは,(1) 閉塞, 変形, 塗料喪失の場合でも, セグメンテーションにおける外科的精度を達成するために, 構造先行でガイドされた高分解能なセマンティックバックボーンを用いた選択的部分分割, (2) 損傷領域に動的に焦点を絞った局所認識ブロック, 散らばった, 複雑なストリートシーンにおけるきめ細かな損傷検出を向上する, (3) パン光学的キューと形状を生かし, 正確な境界アライメントを実現する, (4) 反射やデカールなどのノイズを抑えながら, 傷や象牙などの微妙な損傷信号を増幅する, クロスチャネル校正によるクロスチャネル校正, (5) インテリジェンス・インテリジェンス・インテリジェンス・インテリジェンスにより, 実例を効果的に処理し, 実例を効果的に処理する。 大規模な自動車データセットの実験では、SLICKの優れたセグメンテーション性能、堅牢性、保険および自動車検査ワークフローへの適用性が示されている。

関連論文リスト

• ALBERT: Advanced Localization and Bidirectional Encoder Representations from Transformers for Automotive Damage Evaluation [0.0]
  ALBERTは、総合的な車の損傷と部分のセグメンテーションのために特別に設計されたインスタンスセグメンテーションモデルである。 このモデルは、損傷を26のタイプに分類し、7つの偽の損傷変種と61の異なる自動車部品を識別する、大規模で豊富な注釈付き自動車データセットに基づいて訓練されている。
  論文  参考訳（メタデータ） (2025-06-12T09:40:55Z)
• Segmenting Objectiveness and Task-awareness Unknown Region for Autonomous Driving [46.70405993442064]
  本稿では,自律走行シーンのためのセグメンティング・オブジェクトネスとタスク・アウェアネス(SOTA)という新しいフレームワークを提案する。 SOTAは、セマンティック・フュージョン・ブロック(SFB)を通じて目的のセグメンテーションを強化し、道路ナビゲーションタスクに関係のない異常をフィルタリングする。
  論文  参考訳（メタデータ） (2025-04-27T10:08:54Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)
• Cross-Domain Car Detection Model with Integrated Convolutional Block Attention Mechanism [3.3843451892622576]
  統合畳み込みブロックアテンション機構を用いたクロスドメイン車目標検出モデルを提案する。 実験の結果,我々のフレームワークを使わずに,モデルの性能が40%向上したことがわかった。
  論文  参考訳（メタデータ） (2023-05-31T17:28:13Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• Cognitive Accident Prediction in Driving Scenes: A Multimodality Benchmark [77.54411007883962]
  本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。 CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。 我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-12-19T11:43:02Z)
• Automotive Parts Assessment: Applying Real-time Instance-Segmentation Models to Identify Vehicle Parts [0.0]
  本研究は、最高の性能モデルを評価するために、様々なインスタンスセグメンテーション手法を探求し、適用する。 この研究の範囲は、SipMaskとYolactという2種類のリアルタイムインスタンスセグメンテーションモデルに焦点が当てられている。 Yolact-based part localization and segmentation method は、mAP 66.5 の他のリアルタイムインスタンス機構と比較してよく機能した。
  論文  参考訳（メタデータ） (2022-02-02T05:38:13Z)
• RescueNet: Joint Building Segmentation and Damage Assessment from Satellite Imagery [83.49145695899388]
  RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。 RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
  論文  参考訳（メタデータ） (2020-04-15T19:52:09Z)

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。