論文の概要: TileNet: Tile-Based CNN-SVM Architecture for Autonomous Unmanned Aerial Systems Inspection of Flat Roofs

• arxiv url: http://arxiv.org/abs/2609.13013v1
• Date: Fri, 11 Sep 2026 16:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.803524
• Title: TileNet: Tile-Based CNN-SVM Architecture for Autonomous Unmanned Aerial Systems Inspection of Flat Roofs
• Title（参考訳）: TileNet: フラットルーフの自動無人航空システム検査のためのタイルベースCNN-SVMアーキテクチャ
• Abstract要約: 本稿では,2高度空中通過中に撮影されたライブ画像を用いて,欠陥を自律的に検出する,UAS(Unmanned Aerial System)に基づくリアルタイムディープラーニングフレームワークを提案する。 このフレームワークはタイルベースのアーキテクチャと軽量な畳み込みニューラルネットワーク-Support Vector Machine(CNN-SVM)を統合している。 最終モデルを構成する5つの畳み込み層と4つの高密度層は、写真レベルの分割で平均テスト精度が94.4%$(95%$信頼区間$pm0.4%$3シード)に達した。
• 参考スコア（独自算出の注目度）: 6.316693022958222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flat roofs are among the most influential components of the building envelope, governing both structural performance and thermal efficiency, and thereby contributing directly to household energy consumption, carbon emissions, and long-term environmental sustainability. Timely detection of roof defects is essential for reducing heating and cooling losses, preventing moisture-driven degradation such as mold growth, and supporting national climate-change mitigation goals. This paper presents a real-time, Unmanned Aerial System (UAS)-based deep learning framework that autonomously detects defects using live imagery captured during dual-altitude aerial passes. The multi-resolution flight strategy is designed to aid the identification of both small, fine-scale defects and larger structural issues, enabling more comprehensive assessments. To meet the strict computational and power constraints of embedded UAS hardware, the proposed framework integrates a tile-based architecture with a lightweight Convolution Neural Network-Support Vector Machine (CNN-SVM) classifier designed for low-latency onboard inference. The final model-comprising five convolutional layers and four dense layers, the last a linear SVM head, achieved a mean test accuracy of $94.4\%$ ($95\%$ confidence interval $\pm0.4\%$ over three seeds) on a photo-level split ($43,383$ training, $3,869$ validation, and $2,540$ test tiled and augmented images), outperforming GoogLeNet ($89.2\%$) and AlexNet ($79.8\%$). Experimental evaluations using real UAS imagery collected by onsite visits with DJI Matrice 350 RTK drone demonstrate that the system supports rapid, repeatable, and safe roof inspections while reducing human risk, lowering operational costs, and enabling more sustainable building maintenance.
• Abstract（参考訳）: フラット屋根は建築エンベロープの最も影響力のある構成要素であり、構造性能と熱効率の両方を統制し、家計のエネルギー消費、二酸化炭素排出量、長期環境の持続可能性に直接貢献する。 屋根欠陥のタイムリーな検出は, 暖房・冷却損失の低減, モールド成長などの湿式劣化の防止, 気候変動対策の目標達成に不可欠である。 本稿では,2高度空中通過中に撮影されたライブ画像を用いて,欠陥を自律的に検出する,UAS(Unmanned Aerial System)に基づくリアルタイムディープラーニングフレームワークを提案する。 マルチレゾリューション飛行戦略は、小型で微細な欠陥とより大きな構造上の問題の両方を識別し、より包括的な評価を可能にするように設計されている。 組込みUASハードウェアの厳密な計算および電力制約を満たすため、提案フレームワークは、低遅延オンボード推論用に設計された軽量な畳み込みニューラルネットワーク-Support Vector Machine (CNN-SVM) 分類器とタイルベースのアーキテクチャを統合する。 最後のモデルを構成する5つの畳み込み層と4つの高密度層、最後の線形SVMヘッドは、写真レベルの分割(43,383ドルのトレーニング、3,869ドルの検証、2,540ドルのテストタイル付きイメージ)で、平均テスト精度が94.4\%$$$95\%$信頼区間$\pm0.4\%$ over three seed)に達し、GoogLeNet(89.2\%$)とAlexNet(79.8\%$)を上回った。 DJI Matrice 350 RTKドローンによる現場訪問で収集された実際のUAS画像を用いた実験評価では、システムは人的リスクを低減し、運用コストを低減し、より持続可能な建物のメンテナンスを可能にする。

関連論文リスト

• TRISTAR: Triple-Signal Stair Recognition and Vision-Only Indoor Navigation for Search-and-Rescue Micro-UAVs [0.0]
  本稿では,単眼視のみに基づく低コスト無人航空機のための完全自律型屋内ナビゲーションフレームワークを提案する。 この枠組みは, (i) 自動ドア検出による廊下探索, (i) 室内侵入, OCR による部屋の識別, および (ii) TRISTAR に基づく自律階段上昇の2つの独立した行動からなる。
  論文  参考訳（メタデータ） (2026-07-04T11:06:00Z)
• Dot-Flik: A Scalable Edge AI Architecture for Distributed Insect Monitoring [5.357664591834458]
  本研究では,昆虫の活動を保ちつつ,エッジにおける無関係なフレームを除去する動きインフォームドフレームフィルタリングアルゴリズムを提案する。 第2に、AI分類からデータ取得を分離する分散階層型IoTアーキテクチャを導入します。 第3に、低コストのコモディティハードウェア上での実際の屋外展開を通して、完全なシステムを検証する。
  論文  参考訳（メタデータ） (2026-05-27T10:10:44Z)
• TinyNina: A Resource-Efficient Edge-AI Framework for Sustainable Air Quality Monitoring via Intra-Image Satellite Super-Resolution [3.995685365847731]
  TinyNinaは、持続可能な環境モニタリングのためのリソース効率のよいEdge-AIフレームワークである。 これは、Sentinel-2のマルチスペクトル階層を内部トレーニングラベルとして活用する、新しい画像内学習パラダイムを実装している。 TinyNinaは、7.4ドル/m$3の最先端の平均絶対誤差(MAE)を3,276個の衛星地上局に対して達成している。
  論文  参考訳（メタデータ） (2026-04-06T05:43:21Z)
• Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
  エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。 既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
  論文  参考訳（メタデータ） (2026-03-29T12:26:35Z)
• $D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
  リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。 視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。 リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。 D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
  論文  参考訳（メタデータ） (2026-03-17T10:50:36Z)
• KAN-FIF: Spline-Parameterized Lightweight Physics-based Tropical Cyclone Estimation on Meteorological Satellite [22.99496587694237]
  熱帯性サイクロンのタイムリーなモニタリングは、生命と財産の損失を減らすために重要である。 現在の物理誘導モデルは、TC属性間の高次関係を捕捉できない線形特徴相互作用に悩まされている。 本研究では,KAN-FIF(Kolmogorov-Arnold Network-based Network-based Interaction Feature Framework)を紹介する。
  論文  参考訳（メタデータ） (2026-02-12T16:07:39Z)
• 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)
• LightDefectNet: A Highly Compact Deep Anti-Aliased Attention Condenser Neural Network Architecture for Light Guide Plate Surface Defect Detection [71.40595908386477]
  ライトガイドプレートの製造において重要なステップは、傷、明るい暗黒点、不純物などの欠陥の検査である。 ディープラーニング駆動型コンピュータビジョンの進歩は、ライトガイドプレートの自動視覚品質検査の探索につながった。 LightDetectNetは、光ガイド板表面欠陥検出に特化して設計された、高度にコンパクトなディープアンチエイリアス化されたアテンションコンデンサニューラルネットワークアーキテクチャである。
  論文  参考訳（メタデータ） (2022-04-25T16:33:37Z)
• 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)
• Automated Quality Control of Vacuum Insulated Glazing by Convolutional Neural Network Image Classification [5.2183907457242915]
  我々は畳み込みニューラルネットワークを用いたディープラーニングコンピュータビジョンシステムを開発し、訓練し、テストした。 システムは、試験データセットを100%の受信機動作特性(ROC)に対して、曲線(AUC)以下の領域で完璧に分類した。 我々は、内部メカニズムを理解するために、説明可能な人工知能(XAI)の最先端のGrad-CAMとScore-CAMを用いている。
  論文  参考訳（メタデータ） (2021-10-15T13:10:54Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。