論文の概要: TriView-YOLO: Early Multi-View Fusion for Ground Penetrating Radar Cavity Detection in Soft, High-Water-Content Soils
- arxiv url: http://arxiv.org/abs/2608.09522v1
- Date: Mon, 10 Aug 2026 12:21:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.258463
- Title: TriView-YOLO: Early Multi-View Fusion for Ground Penetrating Radar Cavity Detection in Soft, High-Water-Content Soils
- Title（参考訳）: TriView-YOLO:軟質高濃度土壌における地中レーダキャビティ検出のための早期多視点核融合
- Abstract要約: 本稿では,道路キャビティ検層用多視点YOLOv12検出器TriView-YOLOを提案する。
タイ国バンコクの道路調査では、専門家が検証した1,600件のフィールドサンプルを使用した。
この未拡張でフィールドのみのテストセットでは、調査内でランダムに分割され、提案されたモデルは、23.6 GFLOPsと3.1 msの3つの種に対して0.558 +/- 0.028のmAP50に達する。
- 参考スコア（独自算出の注目度）: 2.001149416674759
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated detection of subsurface cavities from Ground Penetrating Radar (GPR) is most difficult in soft, high-water-content ground, where conductive, water-saturated soil attenuates the signal and degrades cavity reflections, yet this is also the condition under which cavities most readily form. This paper proposes TriView-YOLO, a multi-view YOLOv12 detector for road cavity screening in such ground. Three co-registered views (longitudinal B-scan, horizontal C-scan, and cross-section B-scan) form a 9-channel input fused by a TripleInputConv layer that replaces the YOLOv12 stem; the rest of the network is unchanged, and bounding boxes are required on the longitudinal view only. Training used 1,600 expert-verified field samples, principally metropolitan road surveys of Bangkok, Thailand, acquired with a vehicle-mounted multichannel three-dimensional GPR mobile mapping system, with surveys over the firmer subgrades of Japan added to training and validation only. The test set comes exclusively from the Bangkok surveys, over soft marine clay with 80-140% water content and a water table at 1-2 m depth, a ground condition for which no dedicated deep learning cavity-detection evaluation has been reported. On this unaugmented, field-only test set, split randomly within surveys, the proposed model attains mAP50 of 0.558 +/- 0.028 over three seeds at 23.6 GFLOPs and 3.1 ms per image. Ablations show that removing the auxiliary views lowers mAP50 and recall, whereas public and synthetic training images, DINOv3 features, larger model scale, and COCO pretraining bring no gain.
- Abstract（参考訳）: 地中貫入レーダ(GPR)からの地下空洞の自動検出は、導電性で飽和した土壌が信号の減衰とキャビティ反射を低下させるような、柔らかく高濃度の地盤において最も困難であるが、この条件はキャビティが最も容易に形成される条件でもある。
本稿では,道路キャビティ検層用多視点YOLOv12検出器TriView-YOLOを提案する。
3つの共登録ビュー(縦方向のBスキャン、横方向のCスキャン、横方向のBスキャン)は、YOLOv12ステムを置き換えるTripleInputConv層によって融合された9チャネル入力を形成し、残りのネットワークは変更されず、境界ボックスは縦方向のビューのみを必要とする。
タイ国バンコクの道路調査を専門とする1,600件のフィールドサンプルを、車両搭載3次元GPRモバイルマッピングシステム(GPR)で取得した。
テストセットはバンコクの測量、80-140%の含水率を持つ柔らかい海洋粘土、深度1-2mの水位表、専用の深層学習キャビティ検出評価が報告されていない地上条件のみから得られた。
この未拡張でフィールドのみのテストセットでは、調査内でランダムに分割され、提案されたモデルは、23.6 GFLOPsと3.1 msの3つの種に対して0.558 +/- 0.028のmAP50に達する。
アブレーションでは、補助的なビューを除去するとmAP50が低下しリコールされるのに対し、パブリックおよび合成トレーニング画像、DINOv3の特徴、より大きなモデルスケール、CO事前訓練は上昇しない。
関連論文リスト
- Low-Cost Stereo Vision for Robust 3D Positioning of Thin Radiata Pine Branches in Autonomous Drone Pruning [5.266753902938501]
既存の自律型プルーニングプラットフォームは、通常、LiDARのような高価なセンサーに依存している。
本稿では,ドローンに搭載された1台の低価格ステレオカメラが,十分正確な分岐検出を可能にするかどうかを検討する。
論文 参考訳（メタデータ） (2026-05-06T10:01:25Z) - Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。
このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。
本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:14:20Z) - Progressive Per-Branch Depth Optimization for DEFOM-Stereo and SAM3 Joint Analysis in UAV Forestry Applications [5.266753902938501]
パーブランチ3D再構築は、自律型UAV木刈りの前提条件である。
本稿では,DEFOM-Stereo ファンデーションモデル差分推定を組み込んだプログレッシブパイプラインを提案する。
提案したパイプラインは、エッジの忠実度を維持しながら、ブランチごとの平均標準偏差を82%削減する。
論文 参考訳（メタデータ） (2026-02-24T04:37:18Z) - Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。
合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善
DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
論文 参考訳（メタデータ） (2026-02-03T23:38:05Z) - YOLOv11-Litchi: Efficient Litchi Fruit Detection based on UAV-Captured Agricultural Imagery in Complex Orchard Environments [6.862722449907841]
本稿では,UAVを用いたリッチ検出のための軽量で堅牢な検出モデルであるYOLOv11-Litchiを紹介する。
YOLOv11-Litchiのパラメータサイズは6.35MBで、YOLOv11ベースラインよりも32.5%小さい。
このモデルは57.2FPSのフレームレートを実現し、リアルタイム検出要求を満たす。
論文 参考訳（メタデータ） (2025-10-11T09:44:00Z) - StreakNet-Arch: An Anti-scattering Network-based Architecture for Underwater Carrier LiDAR-Radar Imaging [44.96583097079915]
我々は,我々の開発した水中キャリアLiDAR-Radar(UCLR)に基づくリアルタイムエンドツーエンドバイナリ分類フレームワークであるStreakNet-Archを紹介した。
制御された水槽検証条件下では、StreakNet-Arch with Self-Attention または DBC-Attention が従来のバンドパスフィルタリングより優れている。
南シナ海におけるUCLRシステムの検証を行い,深度1000m,幅20mの3Dターゲットに対して46mmの誤差に達した。
論文 参考訳（メタデータ） (2024-04-14T06:19:46Z) - DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water
Extent with SAR Images using Knowledge Distillation [44.99833362998488]
トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。
我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。
実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
論文 参考訳（メタデータ） (2023-05-02T18:06:21Z) - Vision Transformers, a new approach for high-resolution and large-scale
mapping of canopy heights [50.52704854147297]
分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。
このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
論文 参考訳（メタデータ） (2023-04-22T22:39:03Z) - Rain regime segmentation of Sentinel-1 observation learning from NEXRAD
collocations with Convolution Neural Networks [0.16067645574373132]
NOAAのNext-Generation Radar (NEXRAD)のような地上の気象レーダーは、降雨の反射率と降雨量の推定を提供する。
本稿では,降雨状況の観点から,SAR観測を3段階に区分する深層学習手法を提案する。
我々は、コロケーションされたSentinel-1/NEXRADデータセットでトレーニングされた畳み込みニューラルネットワークが、最先端のフィルタリング方式よりも明らかに優れていることを実証した。
論文 参考訳（メタデータ） (2022-07-15T08:05:41Z) - A Multi-Stage model based on YOLOv3 for defect detection in PV panels
based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。
このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。
提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
論文 参考訳（メタデータ） (2021-11-23T08:04:32Z)
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。