論文の概要: Advancing Utility Pole and Sign Detection Through Deep Learning

• arxiv url: http://arxiv.org/abs/2608.04061v1
• Date: Tue, 04 Aug 2026 13:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.520898
• Title: Advancing Utility Pole and Sign Detection Through Deep Learning
• Title（参考訳）: 深層学習による実用性極の向上とサイン検出
• Authors: Carl Dickinson, Gaetano Di Caterina,
• Abstract要約: 木製ユーティリティポールの自動検出,セグメンテーション,リーン角度推定のためのディープラーニングフレームワークを提案する。 このシステムは、Googleストリートビューから抽出された4,570枚の注釈付き画像のカスタムデータセットでトレーニングされている。 このモデルは標準の物体検出器よりも優れており、平均的な極検出精度は90.43%、符号検出精度は88.26%である。
• 参考スコア（独自算出の注目度）: 0.2578242050187029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Utility poles are an essential part of the infrastructure used to support power distribution systems and other critical public services. Their regular inspection is crucial to ensure the stability and safety of the electrical grid. A deep learning framework is presented for the automated detection, segmentation and lean angle estimation of wooden utility poles, and classification of attached electrical warning signs, using ground-level imagery. The system is trained on a custom dataset of 4,570 annotated images extracted from Google Street View, featuring challenging real-world scenes with visually ambiguous wooden poles lacking distinctive features. The proposed model is based on the Detection Transformer (DETR), suitably modified and trained on the custom dataset. The model outperforms standard object detectors (RetinaNet, Faster R-CNN, YOLOv3-Tiny), achieving a mean average precision of 90.43% for pole detection and 88.26% for sign detection. Extending this model with a segmentation head enables per-instance mask generation, which is then used to estimate pole lean angle. The model accurately estimates lean for 1,367 out of 1,433 test-set poles, with a mean absolute error of 1.01 degrees. Moreover, the custom dataset created in this work is also made publicly available to be used as a benchmark.
• Abstract（参考訳）: ユーティリティポールは、電力供給システムやその他の重要な公共サービスをサポートするために使用されるインフラの不可欠な部分である。 彼らの定期的な検査は、電力網の安定性と安全性を確保するために不可欠である。 木製ユーティリティポールの自動検出,セグメンテーション,リーン角度推定,および接地レベルの画像を用いたアタッチメント警告信号の分類を行うためのディープラーニングフレームワークを提案する。 このシステムは、Googleストリートビューから抽出された4,570枚の注釈付き画像のカスタムデータセットで訓練されており、視覚的に曖昧な木柱が特徴に欠ける現実世界のシーンに挑戦する。 提案したモデルは、カスタムデータセットに基づいて適切に修正およびトレーニングされた検出変換器(DETR)に基づいている。 このモデルは標準の物体検出器(RetinaNet, Faster R-CNN, YOLOv3-Tiny)より優れており、平均的な極検出精度は90.43%、符号検出精度は88.26%である。 このモデルをセグメンテーションヘッドで拡張することで、インスタンスごとのマスク生成を可能にし、ポールの傾きを推定する。 このモデルは1,433個のテストセット極のうち1,367個のリーンを正確に推定し、平均絶対誤差は1.01度である。 さらに、この作業で作成されたカスタムデータセットも、ベンチマークとして使用するために公開されています。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Framework and Multi-modal Dataset for Roadwork Zone Detection and Geo-localization [4.788126276837108]
  Roadwork Zone Detection and Geo-localization (RZDG)データセットには、シミュレーションデータと実世界のデータの両方が含まれている。 RZDGデータセットは、イメージセマンティックセグメンテーション、3Dオブジェクト検出、オブジェクトのジオローカライゼーションなど、複数の知覚タスクをサポートする。 AB3DMOTの拡張であるRZDGパイプラインも導入した。
  論文  参考訳（メタデータ） (2026-07-05T14:24:42Z)
• LanePerf: a Performance Estimation Framework for Lane Detection [12.117964360565503]
  車線検出は、高度運転支援システム(ADAS)の重要コンポーネントである ドメインシフトは、しばしば新しい環境にデプロイする際にモデルの信頼性を損なう。 我々は新しいレーン性能推定フレームワーク(LanePerf)を提案する。 本フレームワークは,事前学習した画像エンコーダとDeepSetsベースのアーキテクチャを用いて,画像と車線の特徴を統合する。
  論文  参考訳（メタデータ） (2025-07-17T08:24:57Z)
• Finding Dino: A Plug-and-Play Framework for Zero-Shot Detection of Out-of-Distribution Objects Using Prototypes [12.82756672393553]
  ラベルを含まないプロトタイプによるOOD検出(PROWL) プラグアンドプレイフレームワーク-PRototype-based OOD Detection Without Labels (PROWL)を提案する。 これは、ドメインデータセットのトレーニングを必要とせず、自己教師付き事前訓練モデルから関連する特徴を抽出することに依存する推論ベースの手法である。 ロードドライブベンチマークで提供されるRoadAnomalyとRoadObstacleのデータセットの最先端結果を達成する。
  論文  参考訳（メタデータ） (2024-04-11T11:55:42Z)
• Map-aided annotation for pole base detection [0.0]
  本稿では2次元HDマップを用いて,画像中の極状特徴を自動的にアノテートする。 高さ情報がない場合、地図の特徴は地上のポールベースとして表現される。 ポールベースを検出するためにオブジェクト検出器をどのように訓練するかを示す。
  論文  参考訳（メタデータ） (2024-03-04T09:23:11Z)
• WEDGE: A multi-weather autonomous driving dataset built from generative vision-language models [51.61662672912017]
  本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。 WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。 53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
  論文  参考訳（メタデータ） (2023-05-12T14:42:47Z)
• GLENet: Boosting 3D Object Detectors with Generative Label Uncertainty Estimation [70.75100533512021]
  本稿では,対象物の潜在的可算有界箱の多様性として,ラベルの不確実性問題を定式化する。 本稿では,条件付き変分オートエンコーダを応用した生成フレームワークであるGLENetを提案する。 GLENetが生成するラベルの不確実性はプラグアンドプレイモジュールであり、既存のディープ3D検出器に便利に統合することができる。
  論文  参考訳（メタデータ） (2022-07-06T06:26:17Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)

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。