論文の概要: Pixel-Level Pavement Distress Assessment Using Instance Segmentation

• arxiv url: http://arxiv.org/abs/2605.26095v1
• Date: Mon, 25 May 2026 17:53:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.641762
• Title: Pixel-Level Pavement Distress Assessment Using Instance Segmentation
• Title（参考訳）: インスタンスセグメンテーションを用いた画素レベル舗装距離評価
• Authors: Logan Dewick, Bibesh Pyakurel, Kong Pheng Yang, Nazim Choudhury, M. G. Sarwar Murshed,
• Abstract要約: 本稿では,Mask R-CNN のインスタンスセグメンテーションに基づく視覚に基づく舗装災害解析システムを提案する。 最高の性能モデルは84.23%の精度、90.04%のリコール、87.04%のF1スコアをプロジェクト固有のバウンディングボックスマッチングプロトコルで達成した。 その結果, ケースセグメンテーションは, 現場舗装画像と集合的き裂面積推定の実用的な方向であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated pavement distress assessment requires more than image-level classification or coarse bounding box detection, demanding precise localization of thin, branching, and irregular cracks to achieve the geometric precision necessary for maintenance-relevant quantification. This paper presents a vision-based pavement distress analysis system based on Mask R-CNN instance segmentation and evaluates it on UWGB-StreetCrack, a custom field-collected roadway image dataset acquired with a vehicle-mounted smartphone and manually annotated with polygon labels for longitudinal cracks, transverse cracks, alligator cracks, and potholes. Five Detectron2-based Mask R-CNN backbone variants were considered under a consistent fine-tuning protocol. The best-performing model, Mask R-CNN with a ResNet-101 FPN backbone, achieved 84.23% precision, 90.04% recall, and an F1 score of 87.04% under the project-specific bounding-box matching protocol. The same model produced an aggregate predicted crack-area fraction of 2.164%, closely matching the 2.170% ground-truth crack-area fraction. To contextualize the segmentation system against a detector-oriented alternative, a CSPDarknet53-based YOLO detector was also adapted and retrained on the dataset, reaching 27.5% precision and 20.7% recall on the validation protocol. The results show that instance segmentation is a practical direction for field pavement imagery and aggregate crack-area estimation, while also exposing open challenges in annotation consistency, class imbalance, confounder rejection, and mask-level benchmarking.
• Abstract（参考訳）: 自動舗装災害評価は画像レベルの分類や粗い境界ボックスの検出以上のものを必要とし、メンテナンス関連定量化に必要な幾何的精度を達成するために、細い、枝分かれ、不規則なき裂の正確な位置決めを要求する。 本稿では,Mask R-CNN のインスタンスセグメンテーションをベースとした視覚的舗装救難分析システムを提案し,車載スマートフォンで取得したカスタムフィールドコンパイル道路画像データセット UWGB-StreetCrack 上で評価し,縦断き裂,横断き裂,アリゲータき裂,穴を手動でアノテートした。 Detectron2ベースの5つのMask R-CNNバックボーンは、一貫した微調整プロトコルの下で検討された。 最高のパフォーマンスモデルであるResNet-101 FPNバックボーンを持つMask R-CNNは84.23%の精度、90.04%のリコール、87.04%のF1スコアを達成した。 同じモデルでは、2.164%のクラック面積が予測され、2.170%のグラウンド・トゥルース・クラック面積の割合と密接に一致した。 検出器指向の代替品に対してセグメンテーションシステムをコンテキスト化するために、CSPDarknet53ベースのYOLO検出器もデータセットに適応して再訓練され、検証プロトコルでは27.5%の精度と20.7%のリコールを達成した。 その結果, インスタンスセグメンテーションは, 現場舗装画像や集合的き裂面積推定の実用的な方向であり, アノテーションの整合性, クラス不均衡, 共同ファウンダーの拒絶, マスクレベルのベンチマークといったオープンな課題も明らかにした。

関連論文リスト

• Towards Realistic Open-Vocabulary Remote Sensing Segmentation: Benchmark and Baseline [52.65099689153431]
  オープンボキャブラリリモートセンシングイメージセグメンテーション(OVRSIS)は、データセットの断片化、トレーニングの多様性の制限、評価ベンチマークの欠如などにより、まだ探索されていない。 我々はOVRSISの大規模かつアプリケーション指向のベンチマークである textitOVRSISBenchV2 を提案する。 以上の結果から,リアルなベンチマーク設計の重要性と,OVRSISの摂動型転送の有効性が示唆された。
  論文  参考訳（メタデータ） (2026-04-17T02:49:46Z)
• 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)
• A quality assurance framework for real-time monitoring of deep learning segmentation models in radiotherapy [3.5752677591512487]
  この研究は、品質保証フレームワークを確立するために、心臓のサブ構造セグメンテーションを例として用いている。 心電図(CT)画像と241例の心電図を用いたベンチマークデータセットを収集した。 訓練されたDenoising Autoencoder(DAE)と2つの手動特徴を利用して画像領域シフト検出器を開発した。 Dice similarity coefficient (DSC) を用いて患者ごとのセグメンテーション精度を予測するための回帰モデルを構築した。
  論文  参考訳（メタデータ） (2023-05-19T14:51:05Z)
• 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)
• 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)
• Hierarchical Convolutional Neural Network with Feature Preservation and Autotuned Thresholding for Crack Detection [5.735035463793008]
  ドローンの画像はインフラ表面の欠陥の自動検査にますます使われている。 本稿では,階層型畳み込みニューラルネットワークを用いた深層学習手法を提案する。 提案手法は, 道路, 橋, 舗装の表面ひび割れの同定に応用されている。
  論文  参考訳（メタデータ） (2021-04-21T13:07:58Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• A New Mask R-CNN Based Method for Improved Landslide Detection [54.7905160534631]
  本稿では,Mask R-CNN機能を利用した地すべり検出手法を提案する。 地すべり及び非地すべり画像を含む160個の要素からなるデータセットを作成する。 提案アルゴリズムは丘陵地帯の土地利用計画立案者や政策立案者にとって潜在的に有用である。
  論文  参考訳（メタデータ） (2020-10-04T07:46:37Z)

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。