論文の概要: Deep Learning for Pavement Condition Evaluation Using Satellite Imagery
- arxiv url: http://arxiv.org/abs/2508.01206v1
- Date: Sat, 02 Aug 2025 05:43:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:21.755511
- Title: Deep Learning for Pavement Condition Evaluation Using Satellite Imagery
- Title（参考訳）: 衛星画像を用いた舗装条件評価のためのディープラーニング
- Authors: Prathyush Kumar Reddy Lebaku, Lu Gao, Pan Lu, Jingran Sun,
- Abstract要約: 本研究では,衛星画像解析のためのディープラーニングモデルを用いた舗装条件の評価を行った。
我々は,TxDOTのPMISデータベースから,舗装部の衛星画像3,000枚以上を集め,舗装評価を行った。
その結果,精度は90%を超えることがわかった。
- 参考スコア（独自算出の注目度）: 24.100954817221055
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Civil infrastructure systems covers large land areas and needs frequent inspections to maintain their public service capabilities. The conventional approaches of manual surveys or vehicle-based automated surveys to assess infrastructure conditions are often labor-intensive and time-consuming. For this reason, it is worthwhile to explore more cost-effective methods for monitoring and maintaining these infrastructures. Fortunately, recent advancements in satellite systems and image processing algorithms have opened up new possibilities. Numerous satellite systems have been employed to monitor infrastructure conditions and identify damages. Due to the improvement in ground sample distance (GSD), the level of detail that can be captured has significantly increased. Taking advantage of these technology advancement, this research investigated to evaluate pavement conditions using deep learning models for analyzing satellite images. We gathered over 3,000 satellite images of pavement sections, together with pavement evaluation ratings from TxDOT's PMIS database. The results of our study show an accuracy rate is exceeding 90%. This research paves the way for a rapid and cost-effective approach to evaluating the pavement network in the future.
- Abstract（参考訳）: 民間のインフラシステムは広大な土地をカバーしており、公共サービス機能を維持するために頻繁な検査が必要である。
インフラ条件を評価するための手動調査や自動車による自動調査の従来の手法は、しばしば労働集約的で時間を要する。
そのため、これらのインフラを監視し、維持するためのよりコスト効率の良い方法を検討する価値がある。
幸いなことに、衛星システムと画像処理アルゴリズムの最近の進歩により、新たな可能性が開けている。
インフラの状態を監視し、損傷を特定するために多くの衛星システムが使用されている。
地中試料距離(GSD)の改善により, 採取できる詳細度合いは著しく向上した。
本研究では,これらの技術を活用し,衛星画像解析のための深層学習モデルを用いた舗装条件の評価を行った。
我々は,TxDOTのPMISデータベースから,舗装部の衛星画像3,000枚以上を集め,舗装評価を行った。
その結果,精度は90%を超えることがわかった。
本研究は, 今後, 舗装ネットワークの評価において, 迅速かつ費用対効果の高いアプローチの道を開くものである。
関連論文リスト
- Considering Spatial Structure of the Road Network in Pavement Deterioration Modeling [33.54970710607668]
本研究では,道路ネットワークの空間的依存性をグラフニューラルネットワーク(GNN)を用いた舗装劣化モデルに適用する。
本研究で使用されるデータには,テキサス交通省が管理する舗装管理情報システム(PMIS)から50万件以上の観測データを収集した大規模舗装条件データセットが含まれている。
論文 参考訳（メタデータ） (2025-08-02T23:48:53Z) - Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites [0.0]
技術の進歩は、地球観測衛星(EO)が捉えた画像の品質と量を大幅に向上させた。
これは、この画像を地球に送信して処理する従来のワークフローの有効性に挑戦している。
この問題に対処するためのアプローチは、事前訓練された人工知能モデルを使用して、衛星上で画像を処理することである。
論文 参考訳（メタデータ） (2025-01-21T10:48:13Z) - Enhancing Maritime Situational Awareness through End-to-End Onboard Raw Data Analysis [4.441792803766689]
本研究は、小型衛星の厳密な帯域幅、エネルギー、遅延制約に対処する枠組みを提案する。
衛星画像からの船舶の直接検出・分類における深層学習手法の適用について検討した。
本手法は,車載処理チェーンの簡素化により,キャリブレーションや整形などの計算集約的なステップを必要とせず,直接解析を容易にする。
論文 参考訳（メタデータ） (2024-11-05T18:38:42Z) - Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。
小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。
128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文 参考訳（メタデータ） (2024-02-01T15:59:16Z) - Edge Computing-Enabled Road Condition Monitoring: System Development and
Evaluation [5.296678854362804]
リアルタイム舗装状態監視は、高速道路の機関にタイムリーかつ正確な情報を提供する。
既存の技術は手動のデータ処理に大きく依存しており、高価であるため、頻繁なネットワークレベルの舗装状態監視のためにスケールするのが困難である。
本研究では,安価なマイクロエレクトロメカニカルシステム(MEMS)センサ,エッジコンピューティング,マイクロコントローラのインターネット接続機能を活用したソリューションを提案する。
論文 参考訳（メタデータ） (2023-10-09T00:55:41Z) - MSight: An Edge-Cloud Infrastructure-based Perception System for
Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。
MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。
評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文 参考訳（メタデータ） (2023-10-08T21:32:30Z) - Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。
本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
論文 参考訳（メタデータ） (2022-04-24T15:23:25Z) - Embedding Earth: Self-supervised contrastive pre-training for dense land
cover classification [61.44538721707377]
本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。
提案手法による事前学習では, 25%の絶対mIoUが得られた。
学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
論文 参考訳（メタデータ） (2022-03-11T16:14:14Z) - Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。
本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。
本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-11-17T21:48:31Z) - Utilizing Satellite Imagery Datasets and Machine Learning Data Models to
Evaluate Infrastructure Change in Undeveloped Regions [0.0]
本研究の目的は、鉄道などの大規模インフラプロジェクトを対象とした自動監視により、建設の方向性を定義し予測するための信頼性の高い指標を決定することである。
利用可能な衛星データを用いて3Dメッシュとデジタル表面モデル(DSM)を作成することにより、輸送経路を効果的に予測できることを期待する。
論文 参考訳（メタデータ） (2020-09-01T02:11:14Z) - Fusion of Deep and Non-Deep Methods for Fast Super-Resolution of
Satellite Images [54.44842669325082]
本研究は,超解像(SR)による画質向上により,画質と価格のギャップを埋めることを提案する。
低解像度画像の各パッチの地域情報内容を解析するSRフレームワークを設計する。
本研究では,既存の深部SR法と同等の性能を示しながら,推定時間を大幅に減少させることを示した。
論文 参考訳（メタデータ） (2020-08-03T13:55:39Z) - Weakly Supervised Semantic Segmentation of Satellite Images for Land
Cover Mapping -- Challenges and Opportunities [15.113606982352513]
完全自動大規模土地被覆マッピングは、リモートセンシングコミュニティが取り組んだ中核的な課題に属する。
近年の衛星観測能力の増大にもかかわらず、正確な訓練データは相容れないままである。
本稿では、弱教師付き学習戦略の適用を事例として、利用可能なデータソースを最大限に活用することを目的とする。
論文 参考訳（メタデータ） (2020-02-19T16:01:25Z)
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。