論文の概要: Depth-Aware Pothole Detection Using YOLO and RT-DETR at the Edge

• arxiv url: http://arxiv.org/abs/2608.27633v1
• Date: Thu, 27 Aug 2026 19:18:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.13192
• Title: Depth-Aware Pothole Detection Using YOLO and RT-DETR at the Edge
• Title（参考訳）: YOLOとRT-DETRを用いた先端深度検出
• Authors: Md Monjurul Ahsan Prodhan, Md Nour Hossain,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pothole detection and its severity measurement is still an important challenges in urban infrastructure management, where late maintenance directly contributes to vehicle damage, road accidents, and escalating repair costs. Existing automated approaches depend on 2D RGB images and cannot measure physical depth of potholes. In this paper, we present a depthaware pothole detection framework and then compare five architectures: YOLOv8n, YOLOv8nSeg, YOLOv9t, RTDETRL, and RTDETRX for RGB-D sensor fusion-based detection and automated depth measurement. A custom offline augmentation pipeline is used here to simulate adverse road monitoring conditions. All models are trained on the PothRGBD dataset with an 80% training and 20% validation split and evaluated using Precision, Recall, mAP@50, and mAP@50_95. Before measuring the depth data, all depth maps are corrected for camera tilt using RANSAC ground-plane orthorectification and all zero-valued sensor pixels are cast to NaN before any statistic is computed. YOLOv8nSeg achieves the highest mAP@50 of 0.9556 and mAP@50_95 of 0.6758 with the most accurate depth estimate of 2.96 cm with the pixel-precise Dseg algorithm. YOLOv8n achieves the fastest inference at 3.6ms. RTDETRX achieves the highest detection confidence at 92.70%. An important finding is that even after full RANSAC orthorectification, bounding box models overestimate pothole depth by 0.16 to 0.21 cm compared to pixel precise segmentation masks. This confirms that the pavement inclusion bias is structural rather than a calibration artifact.
• Abstract（参考訳）: ポトホール検出とその重大度測定は都市インフラ管理において依然として重要な課題であり、遅延保守は車両の損傷、道路事故、修理コストの増大に直接貢献する。 既存の自動アプローチは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。 本稿では,RGB-D センサ融合検出と自動深度計測のための深度検出フレームワークを提案し,その5つのアーキテクチャ,YOLOv8n,YOLOv8nSeg,YOLOv9t,RTDETRL,RTDETRXを比較した。 ここでは、悪質な道路監視条件をシミュレートするために、独自のオフライン拡張パイプラインが使用される。 すべてのモデルは、80%のトレーニングと20%のバリデーションでPothRGBDデータセット上でトレーニングされ、Precision、Recall、mAP@50、mAP@50_95を使用して評価される。 深度データを測定する前に、RANSAC地上平面補正を用いて全深度マップをカメラ傾きに補正し、統計が計算される前にすべてのゼロ値センサ画素をNaNにキャストする。 YOLOv8nSegは0.9556のmAP@50と0.6758のmAP@50_95を達成し、最も正確な深さ推定は2.96cmのDsegアルゴリズムである。 YOLOv8nは3.6msで最速の推算を達成している。 RTDETRXは92.70%と高い検出信頼性を達成している。 重要な発見は、完全なRANSAC修正後も、バウンディングボックスはピクセルの正確なセグメンテーションマスクと比較して、穴の深さを0.16から0.21cm過大に見積もっていることである。 これは、舗装包含バイアスがキャリブレーションアーティファクトではなく構造的であることを確認する。

関連論文リスト

• YOLO26-RD: An End-to-End Road Damage Detection Network With Learnable Contrast Enhancement and Edge-Guided Downsampling [2.274915755738124]
  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。
  論文  参考訳（メタデータ） (2026-08-16T12:36:12Z)
• Depth-Enhanced YOLO-SAM2 Detection for Reliable Ballast Insufficiency Identification [6.122855247403851]
  YOLO-SAM2は,RGB-Dデータを用いた鉄道線路のバラスト異常検出のためのフレームワークである。 信頼性を向上させるため,スリーパー・アライン・パイプラインによって実現された深度に基づく幾何解析を取り入れた。 実験により、深度を増す構成はバラストの不足の検出を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-02-21T21:49:06Z)
• Robust Video-Based Pothole Detection and Area Estimation for Intelligent Vehicles with Depth Map and Kalman Smoothing [4.579830400562906]
  道路の穴は安全と快適を運転する上で深刻な脅威となり、その検出と評価は自動運転などの分野において重要な課題となる。 既存の視覚ベースの手法の多くは幾何学的モデルを構築するために距離先に依存している。 これらの問題に対処するために,ビデオストリームにおける物体検出と単眼深度推定を統合した頑健なポットホール面積推定フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-27T11:32:45Z)
• An Enhanced YOLOv8 Model for Real-Time and Accurate Pothole Detection and Measurement [0.0]
  既存の検出方法は、通常2次元RGB画像のみに基づいており、ポットホールの物理的特性を正確に分析することはできない。 本稿では, RGB-D画像のデータセット(PothRGBD)を作成し, ポットホール検出とポットホール物理特徴解析の両方に改良されたYOLOv8モデルを提案する。
  論文  参考訳（メタデータ） (2025-05-07T07:58:57Z)
• MEDeA: Multi-view Efficient Depth Adjustment [45.90423821963144]
  MEDeAは、既存のテスト時間アプローチよりも桁違いに高速な効率的な多視点テスト時間深度調整法である。 提案手法は, TUM RGB-D, 7Scenes, ScanNet のベンチマークに新たな最先端性を設定し,ARKitScenes データセットから取得したスマートフォンデータの処理に成功している。
  論文  参考訳（メタデータ） (2024-06-17T19:39:13Z)
• SDGE: Stereo Guided Depth Estimation for 360$^\circ$ Camera Sets [65.64958606221069]
  マルチカメラシステムは、360ドル周の知覚を達成するために、しばしば自律走行に使用される。 360ドル(約3万3000円)のカメラセットは、しばしば制限または低品質のオーバーラップ領域を持ち、画像全体に対してマルチビューステレオメソッドを実現する。 重なりの重なりに多視点ステレオ結果を明示的に利用することにより、全画像の深さ推定を強化するステレオガイド深度推定法(SGDE)を提案する。
  論文  参考訳（メタデータ） (2024-02-19T02:41:37Z)
• CU-Net: LiDAR Depth-Only Completion With Coupled U-Net [42.35466006061206]
  本稿では,深度のみを補完する効果的な結合型U-Netアーキテクチャを提案する。 我々は、局所的なU-Netを用いて、通常の領域における正確な値を推定し、重複領域と空白領域における信頼性の高い初期値をグローバルなU-Netに提供する。 提案手法は,パラメータを少なくして最終結果を向上し,KITTIベンチマークの最先端結果を得る。
  論文  参考訳（メタデータ） (2022-10-26T17:57:13Z)
• EAutoDet: Efficient Architecture Search for Object Detection [110.99532343155073]
  EAutoDetフレームワークは、1.4GPU日でオブジェクト検出のための実用的なバックボーンとFPNアーキテクチャを検出できる。 本稿では,一方のエッジ上での候補演算の重みを共有し,それらを一つの畳み込みに集約することでカーネル再利用手法を提案する。 特に、発見されたアーキテクチャは最先端のオブジェクト検出NAS法を超越し、120 FPSで40.1 mAP、49.2 mAP、41.3 FPSをCOCOテストデブセットで達成している。
  論文  参考訳（メタデータ） (2022-03-21T05:56:12Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。