論文の概要: AI-Based Culvert-Sewer Inspection

• arxiv url: http://arxiv.org/abs/2601.15366v1
• Date: Wed, 21 Jan 2026 16:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.377754
• Title: AI-Based Culvert-Sewer Inspection
• Title（参考訳）: AIに基づくCulvert-Sewer検査
• Authors: Christina Thrainer,
• Abstract要約: カルバートと下水道管は排水システムの重要な構成要素であり、その故障は公共の安全と環境に深刻なリスクをもたらす可能性がある。 この論文では、欠陥セグメント化を大幅に強化し、データの不足を処理する3つの方法を提案する。 ForTRESSは、奥行き分離可能な畳み込み、適応型コルモゴロフ・アルノルドネットワーク(KAN)、マルチスケールアテンション機構を組み合わせた新しいアーキテクチャである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Culverts and sewer pipes are critical components of drainage systems, and their failure can lead to serious risks to public safety and the environment. In this thesis, we explore methods to improve automated defect segmentation in culverts and sewer pipes. Collecting and annotating data in this field is cumbersome and requires domain knowledge. Having a large dataset for structural defect detection is therefore not feasible. Our proposed methods are tested under conditions with limited annotated data to demonstrate applicability to real-world scenarios. Overall, this thesis proposes three methods to significantly enhance defect segmentation and handle data scarcity. This can be addressed either by enhancing the training data or by adjusting a models architecture. First, we evaluate preprocessing strategies, including traditional data augmentation and dynamic label injection. These techniques significantly improve segmentation performance, increasing both Intersection over Union (IoU) and F1 score. Second, we introduce FORTRESS, a novel architecture that combines depthwise separable convolutions, adaptive Kolmogorov-Arnold Networks (KAN), and multi-scale attention mechanisms. FORTRESS achieves state-of-the-art performance on the culvert sewer pipe defect dataset, while significantly reducing the number of trainable parameters, as well as its computational cost. Finally, we investigate few-shot semantic segmentation and its applicability to defect detection. Few-shot learning aims to train models with only limited data available. By employing a bidirectional prototypical network with attention mechanisms, the model achieves richer feature representations and achieves satisfactory results across evaluation metrics.
• Abstract（参考訳）: カルバートと下水道管は排水システムの重要な構成要素であり、その故障は公共の安全と環境に深刻なリスクをもたらす可能性がある。 そこで本論文では,変圧器および下水道管の自動欠陥分割法について検討する。 この分野でのデータの収集と注釈付けは面倒で、ドメイン知識が必要です。 したがって、構造的欠陥検出のための大規模なデータセットを持つことは不可能である。 提案手法は,実世界のシナリオに適用可能性を示すために,限られたアノテートデータを持つ条件下で試験される。 全体として、この論文は欠陥セグメンテーションを大幅に強化し、データの不足を処理する3つの方法を提案する。 これはトレーニングデータを強化するか、モデルアーキテクチャを調整することで対処できる。 まず,従来のデータ拡張や動的ラベル注入など,事前処理戦略を評価する。 これらの技術はセグメンテーション性能を大幅に向上させ、IoU(Intersection over Union)とF1スコアの両方を増加させた。 第二に、深い分離可能な畳み込み、適応型コルモゴロフ・アルノルドネットワーク(KAN)、マルチスケールアテンション機構を組み合わせた新しいアーキテクチャであるFORTESSを紹介する。 FORTRESSは、トレーニング可能なパラメータの数と計算コストを大幅に削減しつつ、カルバート下水道管欠陥データセットの最先端性能を達成する。 最後に,少数ショットのセマンティックセグメンテーションとその欠陥検出への適用性について検討する。 少ないショットラーニングは、限られたデータしか持たないモデルをトレーニングすることを目的としている。 注目機構を備えた双方向のプロトタイプネットワークを用いることで、よりリッチな特徴表現を実現し、評価指標間で満足な結果が得られる。

関連論文リスト

• Localized Kernel Projection Outlyingness: A Two-Stage Approach for Multi-Modal Outlier Detection [0.0]
  Two-Stage LKPLOは、新しいマルチステージアウトレイラ検出フレームワークである。 従来の射影的手法の制約を克服する。 挑戦的なデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-10-28T03:53:46Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Towards Robust Out-of-Distribution Generalization: Data Augmentation and Neural Architecture Search Approaches [4.577842191730992]
  我々は、ディープラーニングのための堅牢なOoD一般化への道を探る。 まず,認識に必須でない特徴間の素早い相関を解消するための,新しい効果的なアプローチを提案する。 次に,OoDシナリオにおけるニューラルアーキテクチャ探索の強化問題について検討する。
  論文  参考訳（メタデータ） (2024-10-25T20:50:32Z)
• Imbalance-Aware Culvert-Sewer Defect Segmentation Using an Enhanced Feature Pyramid Network [1.7466076090043157]
  本稿では,不均衡なデータセット内での変質管と下水道管のセマンティックセグメンテーションの深層学習モデルを提案する。 このモデルは、データセットの不均衡に対応するために、クラス分解やデータ拡張のような戦略を採用している。 E-FPNが最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-19T17:40:18Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Revisiting Generative Adversarial Networks for Binary Semantic Segmentation on Imbalanced Datasets [20.538287907723713]
  異常き裂領域検出は典型的なバイナリセマンティックセグメンテーションタスクであり、アルゴリズムによって舗装面画像上のひび割れを表す画素を自動的に検出することを目的としている。 既存のディープラーニングベースの手法は、特定の公共舗装のデータセットで優れた結果を得たが、不均衡なデータセットでは性能が劇的に低下する。 画素レベルの異常き裂領域検出タスクに対して,条件付き生成逆ネットワーク(cGAN)に基づくディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-03T19:24:40Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。