抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
亀裂やポットホールのような特定のものに限らない様々な舗装 distress迫を自動的に検出するため,反復最適化パッチラベル推論ネットワーク(IOPLIN)と名付けた新しい深層学習フレームワークを提案した。IOPLINは,Expectation-Maximization Instited Patch Disillation(EMIPLD)戦略を介して画像ラベルのみを用いて反復訓練でき,舗装画像からパッチのラベルを推論することにより,このタスクを良好に達成する。IOPLINは,GoogLeNetおよび効率的Netのような最先端の単一分岐CNNモデルに対して,多くの望ましい特性を enjoy受する。IOPLINは,再構成された全画像の代わりに非可視画像パッチから視覚特徴を抽出するので,異なる解像度で画像を扱うことができ,特に高分解能画像に対して画像情報を十分に利用できる。さらに,訓練段階で事前の局所化情報を用いることなしに舗装の苦痛を大まかに局所化できる。実践における著者らの方法の有効性をより良く評価するために,著者らは,60,059の高解像度舗装画像からなるCQU-BPDDという大規模のBituminous Pavement病検出データセットを構築し,それは異なる時間で異なる地域から取得した。このデータセットに関する広範な結果は,自動舗装 distress迫検出における最先端の画像分類手法に対するIOPLINの優位性を示す。IOPLINのソースコードはウルル{https://github.com/DearCaat/ioplin}上に放出され,CQU-BPDDデータセットはウルル{https://dearcaat.github.io/CQU BPDD/}上でアクセスできる。【JST・京大機械翻訳】