論文の概要: YOLO26-RD: An End-to-End Road Damage Detection Network With Learnable Contrast Enhancement and Edge-Guided Downsampling
- arxiv url: http://arxiv.org/abs/2608.15713v1
- Date: Sun, 16 Aug 2026 12:36:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.399928
- Title: YOLO26-RD: An End-to-End Road Damage Detection Network With Learnable Contrast Enhancement and Edge-Guided Downsampling
- Title（参考訳）: YOLO26-RD:学習可能なコントラスト強化とエッジガイドダウンサンプリングによる終端道路損傷検出ネットワーク
- Authors: Sompote Youwai, Pawarotorn Chaipetch, Hathairat Samaikul, Theerayut Yonseng,
- Abstract要約: YOLO26上に2つの軽量モジュールを組み込んだエンドツーエンド(NMSフリー)検出器であるYOLO26-RDを提案する。
我々はこの設計を7,618イメージのロードサーベイデータセット上でデータファースト監査する。
私たちの最高のスクリーニング設定は、バリデーションスプリットで0.787 mAP50に達します。
- 参考スコア（独自算出の注目度）: 2.274915755738124
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated pavement-distress detection is commonly framed as a small-object problem, motivating high-resolution P2/4 detection heads and lossless downsampling. We present YOLO26-RD, an end-to-end (NMS-free) detector built on YOLO26 with two lightweight novel modules (LearnableContrast, a 494-parameter differentiable analogue of CLAHE that adapts contrast per tile inside the network, and EdgeSPD, a Sobel-gated space-to-depth downsampler adding only 2 parameters over SPD-Conv), and we subject the design to a data-first audit on a 7,618-image road-survey dataset (alligator crack, linear crack, patching). The audit falsifies the small-object premise: 92% of instances are COCO-large, and linear cracks are extreme-aspect structures (median 10:1) whose difficulty is sensitivity, not localization. Guided by this analysis, we remove the P2 detection level while retaining P2 features in the fusion path, which improves mAP50 by 2.8 points over the full YOLO26-RD model and reduces epoch time by 8%. Trained from scratch at 640x640, our best screening configuration reaches 0.787 mAP50 on the validation split versus a 0.771 project baseline (a stock YOLO26-s of uncontrolled recipe), with the largest per-class gain on the rarest class (patching, 2.6 points over baseline; 9.4 over the unmodified YOLO26-RD control under an identical recipe). A failure-mode decomposition further attributes the residual error of the bottleneck class (crack, approximately 0.74 across all architectures tested) to train/validation distribution shift on crack orientation and length, sub-pixel crack width at 640x640, and label incompleteness, factors no architecture change can address. We argue that for pavement imagery, measurement-driven subtraction outperforms module accretion, and we release our audit protocol alongside the model.
- Abstract（参考訳）: 自動舗装抵抗検出は、通常、小さな対象問題としてフレーム化され、高解像度のP2/4検出ヘッドと損失のないダウンサンプリングを動機付けている。
YOLO26-RDは2つの軽量モジュール(LearnableContrast, CLAHEの494パラメータの微分可能なアナログ)と,SPD-Conv上に2パラメータのみを付加したソベルゲート空間深度ダウンサンプラー(EdgeSPD, SPD-Conv)で構築された,YOLO26上に構築されたエンド・ツー・エンド(NMSフリー)検出器で,7,618イメージのロードサーベイデータセット(アリゲータクラック,リニアクラック,パッチング)上のデータファースト監査を行う。
92%のインスタンスはCOCO大きめで、線形ひび割れは極端アスペクト構造(中間10:1)であり、その難しさは感度であり、局所化ではない。
この分析により, 核融合経路のP2特性を保ちながらP2検出レベルを除去し, 完全YOLO26-RDモデルでmAP50を2.8ポイント改善し, エポック時間を8%短縮する。
640x640でスクラッチからトレーニングし、バリデーション分割で最高のスクリーニング構成が0.787 mAP50に達し、0.771のプロジェクトベースライン(コントロールされていないレシピのYOLO26-sのストック)が最多のクラス(ベースラインで2.6ポイント、同じレシピで修正されていないYOLO26-RDコントロールで9.4ポイント)で最大となる。
故障モード分解は、ひび割れの方向と長さ、サブピクセルのひび割れ幅640x640、ラベルの不完全さ、アーキテクチャの変更に対処できない要因について、ボトルネッククラス(すべてのアーキテクチャで約0.74クラック)の残差を更に特徴付けている。
舗装画像の場合,測定駆動サブトラクションはモジュールの付加よりも優れており,本モデルと並行して監査プロトコルをリリースする。
関連論文リスト
- Adaptive Post-Processing Drives Instance-Level Detection in Stroke Lesion Segmentation [0.9530026127073782]
ISLES'26の投稿では、アーキテクチャ設計よりも後処理の方が、このギャップを埋めることがはるかに重要であることが分かりました。
本手法は各症例の病変の予測負荷に応じて部品サイズの閾値を調整する。
小型セグメンテーション用に設計された解像度対応アテンションアーキテクチャ(Viola2Plus)は、この区別が重要である理由を示している。
論文 参考訳（メタデータ） (2026-08-17T10:30:51Z) - Real-Time Source-Free Object Detection [40.10658212485104]
自律運転、監視、ロボットのための現実世界の検出器は、厳格なレイテンシとメモリ制約の下でドメインシフトを処理しなければならない。
我々は,NMSフリーなデュアルヘッド検出器であるYOLOv10上に構築することで,より高速かつコンパクトに,最先端の適応精度が得られることを示す。
論文 参考訳（メタデータ） (2026-06-30T15:38:56Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Layer-Isolated Evaluation: Gating the Deterministic Scaffold of a Production LLM Agent with a No-LLM, Regression-Locked Test Harness [45.148328075418156]
デプロイされた注文エージェントは、階層の固定された分類に分解される。
純粋なスイートは、ロックされたスライス単位のベースラインに対して、すべての変更でCIで動作する。
制御されたレグレッションインジェクションにより、安全でない7つの層に一度に1つの層を分解し、検証する。
論文 参考訳（メタデータ） (2026-06-10T05:55:13Z) - Pixel-Level Pavement Distress Assessment Using Instance Segmentation [0.0]
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。
論文 参考訳（メタデータ） (2026-05-25T17:53:23Z) - From Full Boards to Tiny Defects: Scale-Aware Tile Inference with Topology-Aware Merging for High-Resolution PCB Defect Detection [2.2908242575265025]
高解像度プリント基板(PCB)検査は、フルボード画像が標準検出器入力にリサイズされたときに分解能崩壊する。
2つの高分解能PCB欠陥データセットを用いて評価した5つの推測手法の体系的比較を行った。
論文 参考訳（メタデータ） (2026-05-23T20:40:33Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Parameter-Efficient Architectural Modifications for Translation-Invariant CNNs [2.111646739533638]
畳み込みニューラルネットワーク(CNN)は、翻訳不変であると広く考えられているが、標準的なアーキテクチャは驚くべき脆弱性を示している。
我々は,グローバル平均プール層を様々なネットワーク深度に戦略的に挿入し,軽量な「オンラインアーキテクチャ」戦略を提案する。
この戦略は、トレーニング可能なパラメータ(5.2Mから82Kまで)の98%の大幅な削減と、ネットワークサイズ全体の90%の削減を実現している。
論文 参考訳（メタデータ） (2026-04-30T13:52:42Z) - YOLO-ROC: A High-Precision and Ultra-Lightweight Model for Real-Time Road Damage Detection [0.0]
道路損傷検出は、交通安全を確保し、インフラの整合性を維持するための重要な課題である。
本稿では, 道路直交コンパクト(YOLO-ROC)の高精度軽量モデルを提案する。
論文 参考訳（メタデータ） (2025-07-31T03:35:19Z) - Detection Transformer with Stable Matching [48.963171068785435]
もっとも重要な設計は, 肯定的な事例の分類スコアを監督するために, 位置測定値のみを使用することである。
本原理では,DTRの分類損失とマッチングコストに位置測定値を統合することで,簡易かつ効果的な2つの修正を提案する。
12エポックおよび24エポックのトレーニング設定の下でResNet-50バックボーンを用いてCOCO検出ベンチマークで50.4および51.5APを達成する。
論文 参考訳（メタデータ） (2023-04-10T17:55:37Z) - CoDeNet: Efficient Deployment of Input-Adaptive Object Detection on
Embedded FPGAs [41.43273142203345]
FPGAの柔軟性を利用して、変形可能な畳み込みを伴う新しいオブジェクト検出パイプラインを開発する。
高効率実装では、ソリューションは毎秒26.9フレームに達し、小さなモデルサイズは0.76MBである。
我々のモデルはPascal VOCで67.1 AP50に達し、パラメータは20.9倍小さいがTiny-YOLOより10%正確である。
論文 参考訳（メタデータ） (2020-06-12T17:56:47Z)
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。