論文の概要: Towards Successful Implementation of Automated Raveling Detection: Effects of Training Data Size, Illumination Difference, and Spatial Shift

• arxiv url: http://arxiv.org/abs/2604.13322v1
• Date: Tue, 14 Apr 2026 21:58:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.314225
• Title: Towards Successful Implementation of Automated Raveling Detection: Effects of Training Data Size, Illumination Difference, and Spatial Shift
• Title（参考訳）: 自動ラベリング検出の実現に向けて:トレーニングデータサイズ,照明差,空間変化の影響
• Authors: Xinan Zhang, Haolin Wang, Zhongyu Yang, Yi-Chang, Tsai,
• Abstract要約: 骨材が失われるレイブリングはアスファルト舗装の表面の苦難の主要な形態であり、特に高速道路では顕著である。 機械学習とディープラーニングに基づく手法は、レンジ画像の分類によるレイブリング検出に有望な結果をもたらす。 それらの性能は、より多様な推測データが異なるランニング、センサー、環境条件から生じる可能性がある大規模な展開で劣化することが多い。
• 参考スコア（独自算出の注目度）: 14.898766326819356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Raveling, the loss of aggregates, is a major form of asphalt pavement surface distress, especially on highways. While research has shown that machine learning and deep learning-based methods yield promising results for raveling detection by classification on range images, their performance often degrades in large-scale deployments where more diverse inference data may originate from different runs, sensors, and environmental conditions. This degradation highlights the need of a more generalizable and robust solution for real-world implementation. Thus, the objectives of this study are to 1) identify and assess potential variations that impact model robustness, such as the quantity of training data, illumination difference, and spatial shift; and 2) leverage findings to enhance model robustness under real-world conditions. To this end, we propose RavelingArena, a benchmark designed to evaluate model robustness to variations in raveling detection. Instead of collecting extensive new data, it is built by augmenting an existing dataset with diverse, controlled variations, thereby enabling variation-controlled experiments to quantify the impact of each variation. Results demonstrate that both the quantity and diversity of training data are critical to the accuracy of models, achieving at least a 9.2% gain in accuracy under the most diverse conditions in experiments. Additionally, a case study applying these findings to a multi-year test section in Georgia, U.S., shows significant improvements in year-to-year consistency, laying foundations for future studies on temporal deterioration modeling. These insights provide guidance for more reliable model deployment in raveling detection and other real-world tasks that require adaptability to diverse conditions.
• Abstract（参考訳）: 骨材が失われるレイブリングはアスファルト舗装の表面の苦難の主要な形態であり、特に高速道路では顕著である。 機械学習とディープラーニングに基づく手法は、レンジイメージの分類によるラベリング検出に有望な結果をもたらすことが研究で示されているが、より多様な推論データが異なるラン、センサー、環境条件から生じる可能性のある大規模デプロイメントでは、その性能は劣化することが多い。 この劣化は、現実世界の実装に対してより一般化可能で堅牢なソリューションの必要性を強調します。 そこで本研究では,本研究の目的について述べる。 1)トレーニングデータの量、照明差、空間シフトなど、モデルロバスト性に影響を与える潜在的な変動を特定し評価すること。 2) 実環境下でのモデルロバスト性を高めるために, 結果を活用する。 そこで本研究では,ラベリング検出におけるモデルロバスト性と変動性を評価するためのベンチマークであるRavelingArenaを提案する。 広範な新しいデータを収集する代わりに、多様な制御されたバリエーションを持つ既存のデータセットを拡張して、変動制御された実験を可能にして、各変動の影響を定量化する。 その結果、トレーニングデータの量と多様性の両方がモデルの精度に重要であり、実験において最も多様な条件下では、少なくとも9.2%の精度の向上が達成されている。 さらに、これらの知見を米国ジョージア州の多年テストセクションに適用したケーススタディでは、経年劣化モデリングに関する将来の研究の基礎となる、年次一貫性の大幅な改善が示されている。 これらの洞察は、レーブリング検出やその他の様々な条件への適応性を必要とする現実世界のタスクにおいて、より信頼性の高いモデルデプロイメントのためのガイダンスを提供する。

関連論文リスト

• On-the-Fly Data Augmentation via Gradient-Guided and Sample-Aware Influence Estimation [21.267525672022046]
  モデル最適化に対する各サンプルの進化的影響に基づいて,各サンプルの強化強度をオンザフライで調整する,サンプル認識動的拡張(SADA)について紹介する。 本手法は軽量であり,補助モデルやポリシーチューニングを必要としない。既存のトレーニングパイプラインにプラグイン・アンド・プレイモジュールとしてシームレスに統合することができる。
  論文  参考訳（メタデータ） (2025-10-01T02:26:52Z)
• Enhancing Training Data Attribution for Large Language Models with Fitting Error Consideration [74.09687562334682]
  Debias and Denoise Attribution (DDA) と呼ばれる新しいトレーニングデータ属性法を導入する。 提案手法は既存のアプローチよりも優れており,平均91.64%のAUCを実現している。 DDAは、様々なソースとLLaMA2、QWEN2、Mistralのような異なるスケールのモデルに対して、強力な汎用性とスケーラビリティを示す。
  論文  参考訳（メタデータ） (2024-10-02T07:14:26Z)
• The Mirrored Influence Hypothesis: Efficient Data Influence Estimation by Harnessing Forward Passes [30.30769701138665]
  我々は、訓練データとテストデータの間の相互影響を浮き彫りにして、ミラーレッド影響仮説を導入し、探求する。 具体的には、テスト予測に対するトレーニングデータの影響を評価することは、等価だが逆問題として再定義することができることを示唆している。 トレーニングポイント毎に前方パスとペアを組むことで,特定のテストサンプルの勾配を計算し,トレーニングデータの影響を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-02-14T03:43:05Z)
• Monitoring Machine Learning Models: Online Detection of Relevant Deviations [0.0]
  機械学習モデルは、データ分散やその他の要因の変化によって、時間の経過とともに劣化する可能性がある。 本稿では,関連する変化を検出するための逐次モニタリング手法を提案する。 本研究は, 微ゆらぎと有意義な劣化を区別する実用的な解決法である。
  論文  参考訳（メタデータ） (2023-09-26T18:46:37Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• Exploring the Effects of Data Augmentation for Drivable Area Segmentation [0.0]
  既存の画像データセットを解析することで、データ拡張の利点を調べることに重点を置いている。 以上の結果から,既存技術(SOTA)モデルの性能とロバスト性は劇的に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-06T03:39:37Z)
• MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
  テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。 最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。 モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-18T17:55:11Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)

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。