論文の概要: Multi-stage Bridge Inspection System: Integrating Foundation Models with Location Anonymization
- arxiv url: http://arxiv.org/abs/2601.17254v1
- Date: Sat, 24 Jan 2026 01:41:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:07.436643
- Title: Multi-stage Bridge Inspection System: Integrating Foundation Models with Location Anonymization
- Title（参考訳）: 多段階橋梁検査システム:位置匿名化による基礎モデルの統合
- Authors: Takato Yasuno,
- Abstract要約: 我が国では、5年ごとに視覚検査によって土木インフラの状況監視が義務付けられている。
フィールドキャプチャーされた損傷画像には、しばしばコンクリートのひび割れや鉄筋の露出が含まれており、しばしば地域情報を明らかにする建設標識が伴っている。
本稿では,地域プライバシ保護機能を備えたオープンソースの橋梁損傷検知システムを提案する。
- 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: In Japan, civil infrastructure condition monitoring is mandated through visual inspection every five years. Field-captured damage images frequently contain concrete cracks and rebar exposure, often accompanied by construction signs revealing regional information. To enable safe infrastructure use without causing public anxiety, it is essential to protect regional information while accurately extracting damage features and visualizing key indicators for repair decision-making. This paper presents an open-source bridge damage detection system with regional privacy protection capabilities. We employ Segment Anything Model (SAM) 3 for rebar corrosion detection and utilize DBSCAN for automatic completion of missed regions. Construction sign regions are detected and protected through Gaussian blur. Four preprocessing methods improve OCR accuracy, and GPU optimization enables 1.7-second processing per image. The technology stack includes SAM3, PyTorch, OpenCV, pytesseract, and scikit-learn, achieving efficient bridge inspection with regional information protection.
- Abstract（参考訳）: 我が国では、5年ごとに視覚検査によって土木インフラの状況監視が義務付けられている。
フィールドキャプチャーされた損傷画像には、しばしばコンクリートのひび割れや鉄筋の露出が含まれており、しばしば地域情報を明らかにする建設標識が伴っている。
公共の不安を生じさせることなく安全なインフラ利用を実現するためには、損傷の特徴を正確に抽出し、意思決定の鍵となる指標を可視化しつつ、地域情報を保護することが不可欠である。
本稿では,地域プライバシ保護機能を備えたオープンソースの橋梁損傷検知システムを提案する。
鉄筋腐食検出にはSegment Anything Model (SAM) 3 を用い,DBSCAN を欠損領域の自動完了に利用した。
建設標識領域はガウスのぼかしによって検出され保護される。
4つの前処理手法によりOCRの精度が向上し、GPU最適化により1イメージ当たり1.7秒の処理が可能となった。
技術スタックにはSAM3、PyTorch、OpenCV、pytesseract、Scikit-learnが含まれる。
関連論文リスト
- Power Battery Detection [91.99787495748218]
電力電池は、内部構造欠陥が深刻な安全リスクを生じさせる電気自動車において必須の部品である。
我々は,X線画像から陰極および陽極板の密集端を局所化し,品質検査を行うことを目的として,電力電池検出(PBD)に関する総合的研究を行った。
PBD5Kは,9種類のバッテリタイプから5,000枚のX線画像と8種類の実世界の視覚的干渉を含む,このタスクのための最初の大規模ベンチマークである。
論文 参考訳（メタデータ） (2025-08-11T09:35:25Z) - A Deep Learning framework for building damage assessment using VHR SAR and geospatial data: demonstration on the 2023 Turkiye Earthquake [1.6070833439280312]
災害直後の被害の特定は緊急対応・復旧の指導に不可欠である。
超高分解能(VHR)合成開口レーダ(SAR)画像を用いた建物損傷検出のための新しい多モードディープラーニング(DL)フレームワークを提案する。
SAR画像パッチ、OpenStreetMap(OSM)構築フットプリント、デジタル表面モデル(DSM)データ、グローバル地震モデル(GEM)の構造と露出特性を統合する。
その結果,地理空間的特徴を取り入れることで,これまで見られなかった領域に対する検出性能と一般化性が著しく向上することがわかった。
論文 参考訳（メタデータ） (2025-06-27T15:49:58Z) - TextSleuth: Towards Explainable Tampered Text Detection [49.88698441048043]
本稿では,大規模なマルチモーダルモデルを用いて,自然言語による改ざんテキスト検出の基礎を説明する。
このタスクのデータギャップを埋めるため,大規模な包括的データセットETTDを提案する。
GPT4oで高品質な異常記述を生成するために、共同クエリが導入された。
低品質なアノテーションを自動的にフィルタリングするために、GPT4oに改ざんされたテキストを認識するよう促すことも提案する。
論文 参考訳（メタデータ） (2024-12-19T13:10:03Z) - QuakeSet: A Dataset and Low-Resource Models to Monitor Earthquakes through Sentinel-1 [5.279257531335345]
本稿では,Sentinel-1から得られた画像からなる新しいデータセットを提案する。
地震解析におけるMLモデルの有効性を評価するために,従来の機械学習モデルとディープラーニングモデルをベースラインとして提供する。
論文 参考訳（メタデータ） (2024-03-26T21:45:29Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Towards Generalizable Deepfake Detection by Primary Region
Regularization [52.41801719896089]
本稿では,新しい正規化の観点から一般化能力を高める。
本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。
5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-07-24T05:43:34Z) - Detect Any Deepfakes: Segment Anything Meets Face Forgery Detection and
Localization [30.317619885984005]
本稿では,視覚的セグメンテーション基盤モデル,すなわちセグメンテーションモデル(SAM)をフォージェリ検出とローカライゼーションの対面に導入する。
SAMに基づいて,Multiscale Adapterを用いたDADFフレームワークを提案する。
提案するフレームワークは、エンドツーエンドのフォージェリーローカライゼーションと検出最適化をシームレスに統合する。
論文 参考訳（メタデータ） (2023-06-29T16:25:04Z) - Improving Emergency Response during Hurricane Season using Computer
Vision [0.06882042556551608]
我々は,コンピュータビジョン(CV),内陸洪水予知,被害評価,データ可視化といった最新の技術を組み込んだ危機対応・管理のためのフレームワークを開発した。
我々のコンピュータビジョンモデルは、自然災害の前後で、宇宙と空中の画像を分析して、関連する特徴を検出する。
画像から水、道路、建物、植生などの特徴を識別するモデル群を設計した。
論文 参考訳（メタデータ） (2020-08-17T15:42:02Z) - Per-pixel Classification Rebar Exposures in Bridge Eye-inspection [0.0]
低画素画像のセマンティックセグメンテーションを可能にするトランスファー学習の3つの損傷検出手法を提案する。
本稿では,実世界の橋梁106面の208枚の残響画像を用いた結果について述べる。
論文 参考訳（メタデータ） (2020-04-22T17:28:42Z)
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。