論文の概要: Road Damage and Manhole Detection using Deep Learning for Smart Cities: A Polygonal Annotation Approach
- arxiv url: http://arxiv.org/abs/2510.03797v1
- Date: Sat, 04 Oct 2025 12:21:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 16:52:59.25717
- Title: Road Damage and Manhole Detection using Deep Learning for Smart Cities: A Polygonal Annotation Approach
- Title（参考訳）: スマートシティのためのディープラーニングを用いた道路損傷とマンホール検出:多角的アノテーションアプローチ
- Authors: Rasel Hossen, Diptajoy Mistry, Mushiur Rahman, Waki As Sami Atikur Rahman Hridoy, Sajib Saha, Muhammad Ibrahim,
- Abstract要約: 本稿では,多角形アノテーションを用いたYOLOv9アルゴリズムを用いて,道路損傷の自動検出とマンホール検出のためのディープラーニング手法を提案する。
バングラデシュのダッカで収集された1万枚以上の画像からなる新しいデータセットを開発した。
YOLOv9モデルは、Broken(86.7% F1スコア)とNot Broken(89.2% F1スコア)のクラスに対して強い性能を示し、Manhole Detection (18.2% F1スコア)のクラス不均衡による課題がある。
- 参考スコア（独自算出の注目度）: 0.7819876182082903
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Urban safety and infrastructure maintenance are critical components of smart city development. Manual monitoring of road damages is time-consuming, highly costly, and error-prone. This paper presents a deep learning approach for automated road damage and manhole detection using the YOLOv9 algorithm with polygonal annotations. Unlike traditional bounding box annotation, we employ polygonal annotations for more precise localization of road defects. We develop a novel dataset comprising more than one thousand images which are mostly collected from Dhaka, Bangladesh. This dataset is used to train a YOLO-based model for three classes, namely Broken, Not Broken, and Manhole. We achieve 78.1% overall image-level accuracy. The YOLOv9 model demonstrates strong performance for Broken (86.7% F1-score) and Not Broken (89.2% F1-score) classes, with challenges in Manhole detection (18.2% F1-score) due to class imbalance. Our approach offers an efficient and scalable solution for monitoring urban infrastructure in developing countries.
- Abstract（参考訳）: 都市安全とインフラ整備はスマートシティ開発の重要な要素である。
道路の損傷を手動で監視することは、時間がかかり、非常にコストがかかり、エラーが発生しやすい。
本稿では,多角形アノテーションを用いたYOLOv9アルゴリズムを用いて,道路損傷の自動検出とマンホール検出のためのディープラーニング手法を提案する。
従来の境界ボックスアノテーションとは異なり、道路欠陥のより正確な局所化には多角形アノテーションを用いる。
バングラデシュのダッカで収集された1万枚以上の画像からなる新しいデータセットを開発した。
このデータセットは、Broken、Not Broken、Manholeという3つのクラスのYOLOベースのモデルをトレーニングするために使用される。
画像レベルの精度は78.1%である。
YOLOv9モデルは、Broken(86.7% F1スコア)とNot Broken(89.2% F1スコア)のクラスに対して強い性能を示し、Manhole Detection (18.2% F1スコア)のクラス不均衡による課題がある。
我々のアプローチは、発展途上国の都市インフラを監視するための効率的でスケーラブルなソリューションを提供する。
関連論文リスト
- Maintaining and Managing Road Quality:Using MLP and DNN [0.0]
この研究は、機械学習が道路状況の監視、時間の節約、メンテナンスの費用を自動化できることを示している。
次のステップは、これらのモデルを改善して、実際の都市でテストすることだ。
論文 参考訳（メタデータ） (2024-05-25T11:57:50Z) - RoadScan: A Novel and Robust Transfer Learning Framework for Autonomous
Pothole Detection in Roads [0.0]
本研究では,ディープラーニングと画像処理技術を用いた新しいポットホール検出手法を提案する。
このシステムは、道路利用者に重大なリスクをもたらす道路上の穴の致命的な問題に対処することを目的としている。
論文 参考訳（メタデータ） (2023-08-07T10:47:08Z) - Road Damages Detection and Classification with YOLOv7 [0.0]
本研究は,Googleストリートビューを用いて道路被害データを収集,ラベル付けし,YOLOv7(You Only Look Once Version 7)を使用することを提案する。
提案手法は,クラウドセンシングによる道路被害検出チャレンジ (CRDDC2022, IEEE BigData 2022) に適用される。
論文 参考訳（メタデータ） (2022-10-31T18:55:58Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Road Damage Detection using Deep Ensemble Learning [36.24563211765782]
道路損傷の効率的な検出と分類のためのアンサンブルモデルを提案する。
我々のソリューションは、You Only Look Once (YOLO-v4)として知られる最先端の物体検出器を利用する。
テスト1データセットでF1スコアが0.628、テスト2データセットで0.6358に達した。
論文 参考訳（メタデータ） (2020-10-30T03:18:14Z) - Targeted Physical-World Attention Attack on Deep Learning Models in Road
Sign Recognition [79.50450766097686]
本稿では,現実の道路標識攻撃に対するTAA手法を提案する。
実験の結果,TAA法は攻撃成功率(約10%)を向上し,RP2法と比較して摂動損失(約4分の1)を減少させることがわかった。
論文 参考訳（メタデータ） (2020-10-09T02:31:34Z) - BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in
Unstructured Driving Environments [54.22535063244038]
非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。
本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
論文 参考訳（メタデータ） (2020-09-22T08:25:44Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z) - Train in Germany, Test in The USA: Making 3D Object Detectors Generalize [59.455225176042404]
ディープラーニングにより、LiDARやステレオカメラデータなどの3Dオブジェクト検出精度が大幅に向上した。
自動運転のためのほとんどのデータセットは、1つの国内の都市の狭い部分で収集される。
本稿では,あるデータセットから別のデータセットに3Dオブジェクト検出器を適応させる作業について考察する。
論文 参考訳（メタデータ） (2020-05-17T00:56:18Z) - Cooling-Shrinking Attack: Blinding the Tracker with Imperceptible Noises [87.53808756910452]
The method is proposed to deceive-of-the-the-art SiameseRPN-based tracker。
本手法は転送性に優れ,DaSiamRPN,DaSiamRPN-UpdateNet,DiMPなどの他のトップパフォーマンストラッカーを騙すことができる。
論文 参考訳（メタデータ） (2020-03-21T07:13:40Z)
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。