論文の概要: StripRFNet: A Strip Receptive Field and Shape-Aware Network for Road Damage Detection

• arxiv url: http://arxiv.org/abs/2510.16115v1
• Date: Fri, 17 Oct 2025 18:01:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.853359
• Title: StripRFNet: A Strip Receptive Field and Shape-Aware Network for Road Damage Detection
• Title（参考訳）: StripRFNet:道路損傷検出のためのストリップ受容場と形状認識ネットワーク
• Authors: Jianhan Lin, Yuchu Qin, Shuai Gao, Yikang Rui, Jie Liu, Yanjie Lv,
• Abstract要約: 道路表面の損傷は交通の安全を脅かし、持続可能な都市開発を妨げる。 3つのモジュールからなる新しいディープニューラルネットワークであるStripRFNetを提案する。 RDD2022ベンチマークの実験では、StripRFNetが既存のメソッドを超えることが示されている。
• 参考スコア（独自算出の注目度）: 5.980259319825554
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Well-maintained road networks are crucial for achieving Sustainable Development Goal (SDG) 11. Road surface damage not only threatens traffic safety but also hinders sustainable urban development. Accurate detection, however, remains challenging due to the diverse shapes of damages, the difficulty of capturing slender cracks with high aspect ratios, and the high error rates in small-scale damage recognition. To address these issues, we propose StripRFNet, a novel deep neural network comprising three modules: (1) a Shape Perception Module (SPM) that enhances shape discrimination via large separable kernel attention (LSKA) in multi-scale feature aggregation; (2) a Strip Receptive Field Module (SRFM) that employs large strip convolutions and pooling to capture features of slender cracks; and (3) a Small-Scale Enhancement Module (SSEM) that leverages a high-resolution P2 feature map, a dedicated detection head, and dynamic upsampling to improve small-object detection. Experiments on the RDD2022 benchmark show that StripRFNet surpasses existing methods. On the Chinese subset, it improves F1-score, mAP50, and mAP50:95 by 4.4, 2.9, and 3.4 percentage points over the baseline, respectively. On the full dataset, it achieves the highest F1-score of 80.33% compared with CRDDC'2022 participants and ORDDC'2024 Phase 2 results, while maintaining competitive inference speed. These results demonstrate that StripRFNet achieves state-of-the-art accuracy and real-time efficiency, offering a promising tool for intelligent road maintenance and sustainable infrastructure management.
• Abstract（参考訳）: 持続可能な開発目標(SDG)11を達成するためには,道路網の整備が不可欠である。 道路表面の損傷は交通安全を脅かすだけでなく、持続可能な都市開発を妨げる。 しかし, 損傷の多様さ, 高アスペクト比の細い亀裂の捕捉困難, 小規模損傷認識における高い誤差率など, 正確な検出は依然として困難である。 これらの課題に対処するため,(1)大きな分離可能なカーネルアグリゲーション(LSKA)による形状識別を強化する形状知覚モジュール(SPM),(2)大きなストリップ畳み込みとスレンダークラックの特徴を捉えてプールするストリップ受容フィールドモジュール(SRFM),(3)高解像度のP2特徴マップ,専用検出ヘッド,および小型オブジェクト検出を改善するダイナミックアップサンプリングの3つのモジュールからなる,新しいディープニューラルネットワークであるStripRFNetを提案する。 RDD2022ベンチマークの実験では、StripRFNetが既存のメソッドを超えることが示されている。 中国のサブセットでは、F1スコア、mAP50、mAP50:95をそれぞれ4.4、2.9、および3.4ポイント改善している。 完全なデータセットでは、競合推論速度を維持しながら、CRDDC'2022の参加者とORDDC'2024のフェーズ2の結果と比較して80.33%のF1スコアを達成している。 これらの結果から,StripRFNetは高度道路整備と持続可能なインフラ管理のための有望なツールとして,最先端の精度とリアルタイムの効率化を実現していることが示された。

関連論文リスト

• MRS-YOLO Railroad Transmission Line Foreign Object Detection Based on Improved YOLO11 and Channel Pruning [2.6795746856835785]
  YOLO11に基づく改良アルゴリズム MRS-YOLOを提案する。 MRS-YOLOアルゴリズムのmAP50とmAP50:95はそれぞれ94.8%と86.4%に改善されている。
  論文  参考訳（メタデータ） (2025-10-12T11:38:09Z)
• YOLO-ROC: A High-Precision and Ultra-Lightweight Model for Real-Time Road Damage Detection [0.0]
  道路損傷検出は、交通安全を確保し、インフラの整合性を維持するための重要な課題である。 本稿では, 道路直交コンパクト(YOLO-ROC)の高精度軽量モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-31T03:35:19Z)
• Structural damage detection via hierarchical damage information with volumetric assessment [1.4470320778878742]
  構造的健康モニタリング(SHM)は、インフラの安全性と寿命を確保するために不可欠である。 本稿では,これらの課題に対処するためのフレームワークであるGuided-DetNetについて紹介する。 Guided-DetNetの特徴は、GAM(Generative Attention Module)、階層的除去アルゴリズム(Hierarchical Elimination Algorithm)、VCVA(Volumetric Contour Visual Assessment)である。
  論文  参考訳（メタデータ） (2024-07-29T04:33:04Z)
• NeRF-DetS: Enhanced Adaptive Spatial-wise Sampling and View-wise Fusion Strategies for NeRF-based Indoor Multi-view 3D Object Detection [17.631688089207724]
  屋内シーンでは、物体の位置とスケールの多様さが視覚的な3D知覚タスクを大きな課題にしている。 従来の研究では、暗黙の表現は視覚的な3D知覚タスクに役立てる能力を持っていることが示されている。 これらの問題に対処するために, 単純で効果的なNeRF-DetSを提案する。
  論文  参考訳（メタデータ） (2024-04-22T06:59:03Z)
• CurbNet: Curb Detection Framework Based on LiDAR Point Cloud Segmentation [8.502741852406904]
  本稿では,ポイントクラウドセグメンテーションを利用した検出を抑える新しいフレームワークであるCurbNetを紹介する。 我々はセマンティックKITTIをベースとした3D-Curbデータセットを開発した。 xy平面上の凹凸特性の不均一分布と、z軸に沿った高周波特性への依存による課題に対処するため、マルチスケール・チャネルアテンション(MSCA)モジュールを導入する。
  論文  参考訳（メタデータ） (2024-03-25T14:13:09Z)
• NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
  NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。 セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。 結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-22T11:48:06Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Enhancing Infrared Small Target Detection Robustness with Bi-Level Adversarial Framework [61.34862133870934]
  本稿では,異なる汚職の存在下での検出の堅牢性を促進するために,二段階の対向的枠組みを提案する。 我々の手法は広範囲の汚職で21.96%のIOUを著しく改善し、特に一般ベンチマークで4.97%のIOUを推進している。
  論文  参考訳（メタデータ） (2023-09-03T06:35:07Z)
• Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
  本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。 本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。 我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
  論文  参考訳（メタデータ） (2023-01-03T06:47:31Z)
• Beyond single receptive field: A receptive field fusion-and-stratification network for airborne laser scanning point cloud classification [14.706139194001773]
  新たな受容場融合・成層ネットワーク(RFFS-Net)を提案する。 RFFS-Netは、大規模ALS点雲における複雑な構造と極端なスケールの変動を持つ領域の分類に適応可能である。 LASDUデータセットと2019年のIEEE-GRSS Data Fusion Contestデータセットの実験は、RFFS-Netが新しい最先端の分類性能を達成することを示している。
  論文  参考訳（メタデータ） (2022-07-21T03:10:35Z)

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。