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/2608.15713v2
• Date: Tue, 18 Aug 2026 06:01:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 13:45:32.942742
• 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
• Abstract要約: 本稿では、ストライド4レベルが75.3%のアンカーを主張し、ローカライゼーションエラーよりも完全なミスがベースライン障害を支配しているという前提を検証する。 レシピの1つ、YOLO26-RD、YOLO26-RD、YOLO26-RD、YOLOv12ファミリーの5つの尺度で、スクラッチから15のモデルを訓練した。 YOLO26-RD-l は 0.809 mAP50 と 0.497 mAP50-95 の15の最高値であり、YOLO26 の参照を 0.031 と 0.030 で改善し、クラスごとに6つのエントリをリードする。
• 参考スコア（独自算出の注目度）: 2.274915755738124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pavement distress detectors are conventionally specialised for small objects, typically by adding a stride-4 detection head and replacing strided convolution with space-to-depth downsampling. This paper tests that premise against the annotation geometry of region level survey imagery and finds it fails: 1.28% of instances are small at 640 resolution while 70.37% are large, yet a stride-4 level would claim 75.3% of anchors, and complete misses rather than localisation errors dominate baseline failures. YOLO26-RD therefore reallocates the anchor budget, retaining the stride-4 branch as neck features but carrying no detection level there, and adds LearnableContrast, a 494 parameter per tile correction learned from the detection loss and active at inference, and EdgeSPD, a lossless space-to-depth downsampler gated by a fixed Sobel prior. Fifteen models were trained from scratch under one recipe, five scales each of YOLO26-RD and of matched YOLO26 and YOLOv12 families. Averaged over scales YOLO26-RD returns 0.790 mAP50 and 0.482 mAP50-95 against 0.776 and 0.471 for YOLO26 and 0.755 and 0.468 for YOLOv12; it exceeds both on mAP50 at every scale from s upward, and at m, l and x it leads on both metrics, twelve pairwise comparisons decided without exception. YOLO26-RD-l is the best of the fifteen at 0.809 mAP50 and 0.497 mAP50-95, improving on the YOLO26 reference by 0.031 and 0.030 and leading all six per class entries; every arm of a module ablation also exceeds that reference. The margin is thus a property of the architecture rather than of one tuned configuration, though three of the twelve margins lie inside the dataset 0.015 resolution limit and the held out split reproduces the ordering against YOLO26 but not YOLOv12 at scale x. As a TensorRT FP16 engine the released model sustains 98 frames per second on an entry level accelerator, against the 21 needed at 100 km/h.
• Abstract（参考訳）: 舗装救難検出器は、通常、ストライド4検出ヘッドを追加し、ストリップド・コンボリューションをスペース・トゥ・ディープス・ダウンサンプリングに置き換えることで、小さな物体に特化している。 1.28%のインスタンスは640の解像度で小さく、70.37%は大きいが、ストライド4レベルは75.3%のアンカーを主張し、ローカライゼーションエラーはベースラインの故障を支配している。 したがって、YOLO26-RDはアンカー予算を再配置し、ストライド4ブランチをネックの特徴として保持するが、検出レベルは持たない。 レシピの1つ、YOLO26-RD、YOLO26-RD、YOLO26-RD、YOLOv12ファミリーの5つの尺度で、スクラッチから15のモデルを訓練した。 平均オーバースケール YOLO26-RD は 0.790 mAP50 と 0.482 mAP50-95 を YOLO26 の 0.776 と 0.471 と YOLOv12 の 0.755 と 0.468 に対して、平均オーバースケール YOLO26-RD は 0.790 mAP50 と 0.482 mAP50-95 を返します。 YOLO26-RD-l は 0.809 mAP50 と 0.497 mAP50-95 の15の最高値であり、YOLO26 参照を0.031 と 0.030 で改善し、クラスごとに6つのエントリをリードする。 したがって、マージンは1つのチューニングされた構成ではなくアーキテクチャの特性であるが、データセット0.015の解像度制限内には12のマージンのうち3つがあり、保持されたスプリットは、スケールxではYOLO26に対して順序を再現するが、YOLOv12ではない。 テンソルRT FP16エンジンとしてリリースされたモデルでは、100km/hで必要な21フレームに対して、エントリーレベルの加速器で毎秒98フレームを維持できる。

関連論文リスト

• Depth-Aware Pothole Detection Using YOLO and RT-DETR at the Edge [0.0]
  既存のアプローチは2D RGB画像に依存しており、ポットホールの物理的深さを測定することはできない。 深度対応ポットホール検出フレームワークを提示し、5つのアーキテクチャを比較した。 YOLOv8n, YOLOv8nSeg, YOLOv9t, RTDETRL, RTDETRX。
  論文  参考訳（メタデータ） (2026-08-27T19:18:08Z)
• 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)
• YOLO-PEFT: Parameter-Efficient Fine-Tuning on YOLO Family [35.54329849535432]
  YOLO-PEFTは、適応配置を監査可能な制約計画問題として定式化する構造対応フレームワークである。 評価された検出器群の中では、YOLO-PEFTは手動の目標モジュール試行とエラーを明示的で検査可能な計画で置き換える。
  論文  参考訳（メタデータ） (2026-08-07T09:59:19Z)
• Rough Path Signature-Guided Geometry Augmentation for Few-Shot Industrial Surface Defect Detection [0.0]
  本稿では粗路シグネチャ誘導幾何拡張(RPS-GA)を提案する。 RPS-GAは、カニーエッジの輪郭を平面経路として扱う幾何学的アプローチである。 その結果, 2次経路符号幾何は, 数発の工業的欠陥検出を強化する実用的な方法であることがわかった。
  論文  参考訳（メタデータ） (2026-07-14T01:14:58Z)
• 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)
• YOLO26-RipeLoc Lite: A lightweight architecture for tomato ripeness detection and picking point localization in greenhouse robotic harvesting [1.5466093929120728]
  本稿では,温室トマトの同時検出,熟度分類,中心位置定位のためのYOLO26-RipeLoc Liteを提案する。 YOLO26-RipeLoc Liteは92.9%のmAP@0.5(95.2%のリップ、90.6%のアンリップ)を達成し、全ての評価されたアーキテクチャの中で最高精度(95.2%)を達成している。
  論文  参考訳（メタデータ） (2026-05-26T15:00:24Z)
• 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)
• 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)
• 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)
• DroneScan-YOLO: Redundancy-Aware Lightweight Detection for Tiny Objects in UAV Imagery [0.0]
  DroneScan-YOLOは,4つのコーディネートされた設計選択を通じて制限に対処する,総合的なシステムコントリビューションである。 DroneScan-YOLOは55.3%のmAP@50と35.6%のmAP@50-95を達成し、YOLOv8sベースラインを+16.6と+12.3で上回った。
  論文  参考訳（メタデータ） (2026-04-14T20:14:57Z)
• 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)
• YOLOv13: Real-Time Object Detection with Hypergraph-Enhanced Adaptive Visual Perception [58.06752127687312]
  高精度で軽量な物体検出器YOLOv13を提案する。 ハイパーグラフに基づく適応相関強化(HyperACE)機構を提案する。 また,FullPAD(Full-Pipeline Aggregation-and-Distribution)パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-06-21T15:15:03Z)
• YOLOv12: Attention-Centric Real-Time Object Detectors [38.507511985479006]
  本稿では,従来のCNNをベースとしたYOLOフレームワークであるYOLOv12を提案する。 YOLOv12は、競合速度の精度で、一般的なリアルタイムオブジェクト検出器を全て上回っている。
  論文  参考訳（メタデータ） (2025-02-18T04:20:14Z)
• Automating global landslide detection with heterogeneous ensemble deep-learning classification [44.99833362998488]
  地すべりは道路、鉄道、建物、人間の生活などのインフラを脅かす。 危険に基づく空間計画と早期警戒システムは、地すべりから社会へのリスクを減らすための費用対効果の戦略である。 近年,中～高解像度の衛星画像を入力として,深層学習モデルを陸地マッピングに適用している。
  論文  参考訳（メタデータ） (2023-09-12T10:56:16Z)
• 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。