道路车辙是严重的道路障碍，可能导致早期和昂贵的维护成本的道路过早失败。在过去的几年中，正在积极进行使用图像处理技术和深度学习的道路损害检测研究。但是，这些研究主要集中在检测裂缝，坑洼及其变体上。很少有关于探测道路的研究。本文提出了一个新颖的道路车辙数据集，其中包括949张图像，并提供对象级别和像素级注释。部署了对象检测模型和语义分割模型，以检测所提出的数据集上的道路插道，并对模型预测进行了定量和定性分析，以评估模型性能并确定使用拟议方法检测道路插道时面临的挑战。对象检测模型Yolox-S实现了61.6％的Map@iou = 0.5，语义分割模型PSPNET（RESNET-50）达到54.69，精度为72.67，从而为将来的类似工作提供了基准的准确性。拟议的道路车辙数据集和我们的研究结果将有助于加速使用深度学习发现道路车辙的研究。
translated by 谷歌翻译
2022-09-18
数据文章介绍了路线损坏数据集RDD2022，其中包括来自六个国家，日本，印度，捷克共和国，挪威，美国和中国的47,420条道路图像。图像已注释了超过55,000个道路损坏的实例。数据集中捕获了四种类型的道路损坏，即纵向裂缝，横向裂纹，鳄鱼裂纹和坑洼。设想注释的数据集用于开发基于深度学习的方法以自动检测和对道路损害进行分类。该数据集已作为基于人群传感的道路伤害检测挑战（CRDDC2022）的一部分发布。 CRDDC2022挑战邀请了来自全球的研究人员提出解决方案，以在多个国家 /地区自动道路损害检测。市政当局和道路机构可以使用RDD2022数据集，并使用RDD2022培训的模型用于低成本自动监测道路状况。此外，计算机视觉和机器学习研究人员可能会使用数据集对其他类型的其他基于图像的应用程序（分类，对象检测等）进行不同算法的性能。
translated by 谷歌翻译
在这项研究中，我们使用一个自我解释的神经网络（SENN），该神经网络学习了无监督的概念，以获取人们易于自动理解的概念。在概念学习中，隐藏的层保留了与输出相关的可口理功能，这在适应需要解释的现实环境时至关重要。但是，众所周知，在一般环境中，诸如自主驾驶场景等一般环境中，Senn输出的概念的解释性降低。因此，这项研究将对比度学习与概念学习结合在一起，以提高概念的可读性和任务的准确性。我们称此模型对比度自我解释神经网络（C-SENN）。
translated by 谷歌翻译
尽管在各种应用中对ISING模型的期望进行评估至关重要，但由于棘手的多个求和，这主要是不可行的。空间蒙特卡洛整合（SMCI）是基于抽样的近似。它可以为这种棘手的期望提供高临界性的估计。为了评估特定区域（称为目标区域）变量函数的期望，SMCI考虑了一个包含目标区域（称为SUM区域）的较大区域。在SMCI中，精确执行了SUM区域中变量的多重求和，并且在外部区域中，通过采样近似（例如标准的蒙特卡洛集成）来评估外部区域。可以保证，随着SUM区域的大小增加，SMCI估计器的准确性会单调地提高。但是，总和区域的随意扩展可能会导致组合爆炸。因此，我们希望在没有这种扩展的情况下提高准确性。在本文中，基于广义最小二乘理论（GL），通过组合多个SMCI估计器提出了一种新的有效方法。在理论和数值上证明了所提出方法的有效性。结果表明，所提出的方法可以在逆问题（或Boltzmann机器学习）中有效。
translated by 谷歌翻译