論文の概要: MS-SSE-Net: A Multi-Scale Spatial Squeeze-and-Excitation Network for Structural Damage Detection in Civil and Geotechnical Engineering
- arxiv url: http://arxiv.org/abs/2604.14711v1
- Date: Thu, 16 Apr 2026 07:21:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.775914
- Title: MS-SSE-Net: A Multi-Scale Spatial Squeeze-and-Excitation Network for Structural Damage Detection in Civil and Geotechnical Engineering
- Title（参考訳）: MS-SSE-Net:土木工学における構造損傷検出のためのマルチスケール空間スキーズ・アンド・エキサイティングネットワーク
- Authors: Saif ur Rehman Khan, Imad Ahmed Waqar, Arooj Zaib, Saad Ahmed, Sebastian Vollmer, Andreas Dengel, Muhammad Nabeel Asim,
- Abstract要約: 本稿では,構造損傷分類のための新しいディープラーニングフレームワークであるMS-SSE-Netを提案する。
提案モデルは、DenseNet201バックボーン上に構築され、新しいマルチスケール機能抽出を統合している。
複数の構造損傷カテゴリを含むStructDamageデータセット上で実験を行った。
- 参考スコア（独自算出の注目度）: 5.485960257223969
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structural damage detection is essential for maintaining the safety and reliability of civil infrastructure. However, accurately identifying different types of structural damage from images remains challenging due to variations in damage patterns and environmental conditions. To address these challenges, this paper proposes MS-SSE-Net, a novel deep learning (DL) framework for structural damage classification. The proposed model is built upon the DenseNet201 backbone and integrates novel multi-scale feature extraction with channel and spatial attention mechanisms (MS-SSE-Net). Specifically, parallel depthwise convolutions capture both local and contextual features, while squeeze-and-excitation style channel attention and spatial attention emphasize informative regions and suppress irrelevant noise. The refined features are then processed through global average pooling and a fully connected classification layer to generate the final predictions. Experiments are conducted on the StructDamage dataset containing multiple structural damage categories. The proposed MS-SSE-Net demonstrates superior performance compared with the baseline DenseNet201 and other comparative approaches. Specifically, the proposed method achieves 99.31% precision, 99.25% recall, 99.27% F1-score, and 99.26% accuracy, outperforming the baseline model which achieved 98.62% precision, 98.53% recall, 98.58% F1-score, and 98.53% accuracy.
- Abstract（参考訳）: 構造物の安全性と信頼性を維持するためには, 構造物の損傷検出が不可欠である。
しかし, 損傷パターンや環境条件の相違により, 画像から異なるタイプの損傷を正確に識別することは困難である。
これらの課題に対処するために、構造的損傷分類のための新しいディープラーニング(DL)フレームワークであるMS-SSE-Netを提案する。
提案モデルは,DenseNet201のバックボーン上に構築され,新しいマルチスケール特徴抽出とチャネル・空間アテンション機構(MS-SSE-Net)を統合している。
具体的には, 局所的・文脈的特徴を並列的に捉え, 圧縮・励起型チャネルアテンションと空間的アテンションは情報領域を強調し, 無関係ノイズを抑制する。
精製された特徴は、最終的な予測を生成するために、グローバル平均プールと完全に接続された分類層を通して処理される。
複数の構造損傷カテゴリを含むStructDamageデータセット上で実験を行った。
提案したMS-SSE-Netは,ベースラインであるDenseNet201や他の比較手法と比較して優れた性能を示す。
具体的には、99.31%の精度、99.25%のリコール、99.27%のF1スコア、99.26%の精度を達成し、98.62%の精度、98.53%のリコール、98.58%のF1スコア、98.53%の精度を達成した。
関連論文リスト
- MS-ISSM: Objective Quality Assessment of Point Clouds Using Multi-scale Implicit Structural Similarity [65.85858856481131]
点雲の非構造的で不規則な性質は、客観的品質評価(PCQA)に重大な課題をもたらす
マルチスケールインシシシット構造類似度測定(MS-ISSM)を提案する。
論文 参考訳（メタデータ） (2026-01-03T14:58:52Z) - Graph-Structured Data Analysis of Component Failure in Autonomous Cargo Ships Based on Feature Fusion [20.287188044863925]
本稿では,障害モードのグラフ構造化データセットを構築するためのハイブリッド機能融合フレームワークを提案する。
サブシステム/コンポーネント機能のエンコードにWord2Vecエンコーディング、障害モード/領域の処理にBERT-KPCA、障害影響と緊急意思決定のセマンティックな関連を定量化するSentence-BERTを用いて階層的特徴融合フレームワークを構築する。
論文 参考訳（メタデータ） (2025-07-18T08:02:49Z) - Wafer Map Defect Classification Using Autoencoder-Based Data Augmentation and Convolutional Neural Network [4.8748194765816955]
本研究では、自己エンコーダに基づくデータ拡張技術と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。
提案手法は,ランダムフォレスト,SVM,ロジスティック回帰をそれぞれ19%,21%,27%以上,98.56%の分類精度を達成している。
論文 参考訳（メタデータ） (2024-11-17T10:19:54Z) - TopoFR: A Closer Look at Topology Alignment on Face Recognition [58.45515807380505]
PTSAと呼ばれるトポロジカル構造アライメント戦略とSDEという硬質試料マイニング戦略を利用する新しいFRモデルであるTopoFRを提案する。
PTSAは永続ホモロジーを用いて入力空間と潜在空間の位相構造を整列し、構造情報を効果的に保存し、FRモデルの一般化性能を向上させる。
一般的な顔のベンチマーク実験の結果は、最先端の手法よりもTopoFRの方が優れていることを示している。
論文 参考訳（メタデータ） (2024-10-14T14:58:30Z) - Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。
これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。
提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
論文 参考訳（メタデータ） (2024-09-04T16:47:16Z) - 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) - Dual flow fusion model for concrete surface crack segmentation [0.0]
亀裂やその他の損傷は交通インフラの安全運用に重大な脅威をもたらす。
ディープラーニングモデルは、実用的な視覚的セグメンテーションタスクに広く応用されている。
本稿では,二重ストリームの融合に基づくひび割れ分割モデルを提案する。
論文 参考訳（メタデータ） (2023-05-09T02:35:58Z) - From Environmental Sound Representation to Robustness of 2D CNN Models
Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文 参考訳（メタデータ） (2022-04-14T15:14:08Z) - ISTR: End-to-End Instance Segmentation with Transformers [147.14073165997846]
ISTRと呼ばれるインスタンスセグメンテーショントランスフォーマーを提案します。これは、その種類の最初のエンドツーエンドフレームワークです。
ISTRは低次元マスクの埋め込みを予測し、それらのマスクの埋め込みと一致する。
ISTRは、提案されたエンドツーエンドのメカニズムにより、近似ベースのサブオプティマティック埋め込みでも最先端のパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-05-03T06:00:09Z) - RescueNet: Joint Building Segmentation and Damage Assessment from
Satellite Imagery [83.49145695899388]
RescueNetは、建物を同時に分割し、個々の建物に対する損傷レベルを評価し、エンドツーエンドでトレーニングできる統一モデルである。
RescueNetは大規模で多様なxBDデータセットでテストされており、従来の手法よりもはるかに優れたセグメンテーションと損傷分類性能を実現している。
論文 参考訳（メタデータ） (2020-04-15T19:52:09Z)
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。