論文の概要: A Benchmark Dataset for Spatially Aligned Road Damage Assessment in Small Uncrewed Aerial Systems Disaster Imagery
- arxiv url: http://arxiv.org/abs/2512.12128v1
- Date: Sat, 13 Dec 2025 01:42:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.134762
- Title: A Benchmark Dataset for Spatially Aligned Road Damage Assessment in Small Uncrewed Aerial Systems Disaster Imagery
- Title（参考訳）: 小型無人航空機事故画像における空間的道路被害評価のためのベンチマークデータセット
- Authors: Thomas Manzini, Priyankari Perali, Raisa Karnik, Robin R. Murphy,
- Abstract要約: 本稿では,道路被害評価と道路アライメントのためのベンチマークデータセットについて述べる。
CRASAR-U-DRIODsデータセットで訓練された18のベースラインモデルを提供する。
- 参考スコア（独自算出の注目度）: 3.1498833540989413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents the largest known benchmark dataset for road damage assessment and road alignment, and provides 18 baseline models trained on the CRASAR-U-DRIODs dataset's post-disaster small uncrewed aerial systems (sUAS) imagery from 10 federally declared disasters, addressing three challenges within prior post-disaster road damage assessment datasets. While prior disaster road damage assessment datasets exist, there is no current state of practice, as prior public datasets have either been small-scale or reliant on low-resolution imagery insufficient for detecting phenomena of interest to emergency managers. Further, while machine learning (ML) systems have been developed for this task previously, none are known to have been operationally validated. These limitations are overcome in this work through the labeling of 657.25km of roads according to a 10-class labeling schema, followed by training and deploying ML models during the operational response to Hurricanes Debby and Helene in 2024. Motivated by observed road line misalignment in practice, 9,184 road line adjustments were provided for spatial alignment of a priori road lines, as it was found that when the 18 baseline models are deployed against real-world misaligned road lines, model performance degraded on average by 5.596\% Macro IoU. If spatial alignment is not considered, approximately 8\% (11km) of adverse conditions on road lines will be labeled incorrectly, with approximately 9\% (59km) of road lines misaligned off the actual road. These dynamics are gaps that should be addressed by the ML, CV, and robotics communities to enable more effective and informed decision-making during disasters.
- Abstract（参考訳）: 本論文は,道路被害評価と道路アライメントのための最大規模のベンチマークデータセットを提示し,CRASAR-U-DRIODsデータセットの,連邦政府が指定した災害10件の小型無人航空機システム(sUAS)画像に基づいて訓練した18のベースラインモデルを提供し,過去の道路被害評価データセットにおける3つの課題に対処する。
過去の災害道路被害評価データセットは存在するが、過去の公共データセットは小規模か低解像度のイメージに依存しており、緊急管理者にとっての関心事を検出するには不十分であるため、現在の状況は存在しない。
さらに、このタスクのために機械学習(ML)システムがこれまで開発されてきたが、運用上の検証は行われていない。
これらの制限は、10クラスのラベリングスキーマに従って657.25kmの道路をラベル付けし、その後2024年にHulicanes DebbyとHeleneの運用中にMLモデルをトレーニングおよびデプロイすることで克服されている。
その結果,18本の基準線を実世界の不整合道路線に対して配置した場合,平均5.596\%のマクロ・イオウでモデル性能が低下することが判明した。
空間的アライメントが考慮されない場合、路面上の悪条件の約8\% (11km)が誤ってラベル付けされ、実際の路面から約9\% (59km) の路面線がずれている。
これらのダイナミクスは、ML、CV、ロボットコミュニティによって対処されるべきギャップであり、災害時により効果的でインフォームドな意思決定を可能にする。
関連論文リスト
- Network Level Evaluation of Hangup Susceptibility of HRGCs using Deep Learning and Sensing Techniques: A Goal Towards Safer Future [0.43748379918040853]
ステッププロファイルのハイウェイ鉄道グレードクロスは、低地上クリアランスの車両に安全上の危険をもたらす。
本研究は,HRGCのハングアップ感受性のネットワークレベル評価のためのフレームワークを開発する。
論文 参考訳（メタデータ） (2025-12-14T20:25:42Z) - TD-RD: A Top-Down Benchmark with Real-Time Framework for Road Damage Detection [17.370420825916867]
インフラ整備や道路安全などの応用において重要な意味があるにもかかわらず、道路損傷検出はいまだに比較的検討中である。
本稿では,道路損傷検出に適した既存のデータセットを補完する,新しいトップダウンベンチマークを導入することで,このギャップに対処する。
提案したトップダウン道路被害検出データセット (TDRD) には, 道路損傷亀裂, 穴, および, 注釈付きトップダウン視点のパッチの3つの主要なカテゴリが含まれている。
論文 参考訳（メタデータ） (2025-01-24T08:00:25Z) - A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
軌道予測は、自動運転車における計画の安全性と効率に不可欠である。
現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。
本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
論文 参考訳（メタデータ） (2024-11-29T14:47:08Z) - LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions [61.87108000328186]
レーン検出(LD)は自律走行システムにおいて不可欠な要素であり、適応型クルーズ制御や自動車線センターなどの基本的な機能を提供している。
既存のLDベンチマークは主に、環境錯覚に対するLDモデルの堅牢性を無視し、一般的なケースを評価することに焦点を当てている。
本稿では、LDに対する環境錯覚による潜在的な脅威について検討し、LanEvilの最初の総合ベンチマークを確立する。
論文 参考訳（メタデータ） (2024-06-03T02:12:27Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。
実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。
学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
論文 参考訳（メタデータ） (2023-04-04T22:45:50Z) - 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) - How Do We Fail? Stress Testing Perception in Autonomous Vehicles [40.19326157052966]
本稿では、悪天候下での自動運転車のLiDARによる認識システムの故障を特徴付ける手法を提案する。
本研究では,物体追跡や乱れの列による軌道予測において,潜在的な故障を発見するための強化学習に基づく手法を開発する。
論文 参考訳（メタデータ） (2022-03-26T20:48:09Z) - A Computer Vision-assisted Approach to Automated Real-Time Road
Infrastructure Management [0.0]
そこで本研究では,車両ダッシュボード搭載スマートフォンカメラを用いて,道路災害をリアルタイムに検出・分類するための監視対象検出手法を提案する。
IEEEの2020 Global Road damage Detection (GRDC) Challengeに参加した121チームのトップ5にランクインした。
論文 参考訳（メタデータ） (2022-02-27T04:08:00Z)
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。