《Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis》论文阅读笔记

最新推荐文章于 2024-04-21 11:07:38 发布
最新推荐文章于 2024-04-21 11:07:38 发布
阅读量470 收藏 2
点赞数
文章标签： 机器学习 深度学习 pytorch 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39686950/article/details/118364878
版权

文章目录

前言

  该论文研究路面病害的目标检测，分别使用YOLO、CenterNet和EfficientDet检测路面病害，在算法上基本没有创新，本文从数据集和效果两个方面总结该论文。

一、数据集

  该论文使用IEEE BigData道路损坏检测竞赛发布的照片，这些照片由安装在车上的智能手机上拍摄，包括日本、捷克和印度三个国家的城市和乡村街道。采集的数据集包含四种常见损坏类别，如下图所示：
在这里插入图片描述

二、效果

  论文作者使用三种算法进行道路损坏识别，以F1分数为评估标准，发现YOLO的效果最好。
在这里插入图片描述

三、复现和个人思考

  通过GitHub提供的源码复现了该论文，直接运行会生成txt文件，因此需要略微修改代码才能生成用矩形框标注的图像，根据运行的结果，我发现了如下现象：
  （1）算法检测效果有待进一步提升，如下图所示，远处的路面病害没有检测出来
在这里插入图片描述

  （2）不同地区，需要使用不同的参数，算法的鲁棒性太差
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

秦失其鹿的博客
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
基于深度学习的时间序列分类综述代码运行步骤（Deep-learning-for-time-series-classification-a-review）
tcytcy668的博客
06-12 2518
准备工作 （1）github上下载代码，网址是：https://github.com/hfawaz/dl-4-tsc （2）pycharm导入下载好的代码，十分简单，结果如下图。其中readme文件必读，里面有关于代码的信息，以及实验的结果表格。 注意事项： （1）代码中的文件位置设置自行完成（根据你数据集的位置设置） （2）代码中使用的时间序列数据集： 单变量：http://timeseriesclassification.com/TSC.zip 多变量：http://www.mustafabaydo.
钢丝绳损伤检测信号的特征量获取方法研究
07-08
针对钢丝绳常见的断丝损伤,在利用电磁无损检测的基础上,给出了钢丝绳断丝信号的特征量获取方法。通过仿真实验表明:利用4个特征量相结合可以较好地定性和定量判定钢丝绳断丝损伤的位置和程度,以及判定内外断丝状况。
wusunjiance.rar_损伤_无损检测_青花瓷
09-24
无损检测青花瓷瓷器的产地，年代，真伪和损伤等
基于计算机视觉的钢结构表面损伤识别与健康监测综述.pptx
10-16
基于计算机视觉的钢结构表面损伤识别与健康监测综述.pptx
rt-detr目标检测+python+tensorRT推理代码
06-28
该代码实现rt-detr的部署，使用python，调用tensorRT转换后的模型，实现单张图片或者图片文件夹批量推理，代码输入图片/文件夹路径，模型路径，输出图片保存路径，运行命令python ./infer_tensorrt.py --infer_dir=./inputimgs/ --output_dir ./outputimgs/ --models ./rtdetr_hgnetv2_l_6x_coco.trt，即可得到测试结果。
yolov8算法裂缝检测-汽车车身凹陷-抓痕检测-汽车车身损伤检测+数据集
最新发布
04-24
1、yolov8算法裂缝检测-汽车车身凹陷-抓痕检测-汽车车身损伤检测，包含训练好的yolo算法裂缝检测-汽车车身凹陷-抓痕检测-汽车车身损伤检测，以及PR曲线，loss曲线等等，和数据集 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码 https://blog.csdn.net/zhiqingAI/article/details/137371158
基于虚拟仪器的铁轨损伤检测系统
01-20
摘 要：本文介绍了铁质材料因裂纹或损伤而产生缺陷的定量检测原理，设计了基于虚拟仪器的铁轨损伤检测系统，详细介绍并分析了LabVIEW开发平台在数据采集和数据分析上的实现方法，实现了一台PC同时对多条铁轨进行损伤检测，并论证了该方法的可行性与可靠性，得出了相关的结论。 　　1 引言 　　在铁路的现代化建设中，铁路的安全是首先需要解决的问题。随着铁路建设的发展，以往靠巡道工进行铁轨检测的方式在许多新建的铁路线上，因站点间的距离太长而无法实施。另外，火车的大幅度提速也给巡道工造成更大的危险。现状迫切需要实施铁轨状态的自动化检测，以代替以往的人工检测。由于人工对铁轨进行探伤的危险性大、效率低，并且
Deep Learning Frameworks for Pavement Distress Classification: A Comparative Analysis
weixin_42535423的博客
01-06 1003
论文网址：https://arxiv.org/abs/2010.10681 数据集及代码：https://github.com/titanmu/RoadCrackDetection 2020年全球道路损坏检测挑战赛 刊物： 2020年全球道路损坏检测挑战赛（GRDDC）的详细信息封装在IEEE大数据杯上，全球121个团队参与其中。论文详细介绍了《全球道路损坏检测：最新解决方案》。 引用文献：Arya，D.，Maeda，H.，Ghosh，SK，Toshniwal，D.，Omata，H.，Kashiya...
A Comparative Analysis of Deep Learning Approaches for Network Intrusion Detection Systems (N-IDSs)
poppy
12-21 2444
论文阅读记录 数据类型 在预定义时间窗口中，按照传输控制协议/互联网协议（TCP/IP）数据包将网络流量数据建模成时间序列数据。 数据：KDDCup-99/ NSL-KDD/ UNSW-NB15 NIDS数据集 使用方法 监督深度学习方法：循环神经网络（RNN）、身份循环神经网络（IRNN）、长短时记忆网络（LSTM）、带时钟频率的循环神经网络（CWRNN）和门控制循环单元（GRU）主要关注的是评估RNN比新引入的方法如LSTM和IRNN的性能，以缓解记忆长期依赖关系时的消失和爆炸梯度问题。通过改变0.01
开源软件 | 深度学习用于道路病害检测
我爱计算机视觉
10-22 7033
道路路面病害（裂隙、坑洞）等的检测并不是一项新技术，CV君的母校在近20年前就开发出了我国第一台道路路面智能检测车，这项技术在道路维护管养中可发挥重要作用。如下图所示，车载相机或智能手机...
用实力给自己正名，YOLOv5：道路损伤检测我最强！GRDDC'2020大赛报告
我爱计算机视觉
11-23 6681
作者：Deeksha Arya等编译：CV君报道：我爱计算机视觉公众号（id:aicvml）向大家推荐一篇论文『Global Road Damage Detection: State-o...
矿用钢丝绳损伤检测系统抗干扰措施
05-28
煤矿的电磁环境比较恶劣,如何能使钢丝绳损伤检测系统稳定精确的运行,抗干扰措施必不可少。讨论了一些抗干扰的措施,实验结果表明,所做的抗干扰措施取得了比较显著的成效。
An Empirical Review of Deep Learning Frameworks for Change Dete
09-23
An Empirical Review of Deep Learning Frameworks for Change Detection Model Design, Experimental Frameworks, Challenges and Research Needs.zip
An Empirical Review of Deep Learning Frameworks for Change Detec
09-25
An Empirical Review of Deep Learning Frameworks for Change Detection Model Design, Experimental Frameworks, Challenges and Research Needs.pdf
Deep Learning with Python: A Hands-on Introduction
07-30
This book briefly covers the mathematical prerequisites and fundamentals of deep learning, making this book a good starting point for software developers who want to get started in deep learning. A ...
DLVM: A MODERN COMPILER INFRASTRUCTURE FOR DEEP LEARNING SYSTEMS
08-20
Deep learning software demands ... With our prototypical staged DSL embedded in Swift, we argue that the DLVM system enables a form of modular, safe and performant frameworks for deep learning.
【机器学习】农田智能监控系统的实践探索
richard_yuu的博客
04-21 1023
在科技飞速发展的今天，机器学习技术正以其强大的数据处理和模式识别能力，逐步成为推动农业智能化、精准化管理的关键技术之一。尤其在现代农业领域，机器学习正以其独特的魅力，引领着一场前所未有的农业变革。本文将结合实例和代码，深入探讨机器学习在现代农业中的具体应用，特别是农田智能监控系统的实践探索。
西瓜书学习——线性回归
FeatherWaves
04-20 859
fxw1​x1​w2​x2​...wd​xd​bfxwTxbw 和 b 可以通过学习得到。
车轮上的智能：探索机器学习在汽车行业的应用前景
小新的博客
04-21 2297
从设计和制造的优化，到车辆性能的提升，再到自动驾驶技术的发展，机器学习正在推动汽车行业的转型。然而，要充分发挥机器学习的潜力，还需要高质量的数据、先进的算法和强大的计算能力。共享出行服务就是一个很好的例子。通过产学研用的紧密合作，以及法规和标准的合理制定，可以克服这些挑战，推动汽车行业的健康发展。通过机器学习，汽车设计师能够利用大量的历史数据和实时反馈，优化设计流程，实现更快速、更精准的决策。：现有的法律法规可能无法完全适应机器学习技术的发展，需要新的法规框架来指导其在汽车行业的应用，并保护消费者权益。
基于DIC的损伤检测方法研究
06-13
基于DIC（Digital Image Correlation）的损伤检测方法是一种非接触、全场、高精度的损伤检测方法。DIC技术利用数字图像处理技术和图像匹配算法，通过对被测物体的表面图像进行分析和处理，实现对物体的形变、应变、位移等信息的获取和分析，从而实现损伤检测和评估。 DIC技术在损伤检测中的应用主要包括以下几个方面： 1. 损伤识别和定位。DIC技术可以通过对物体表面的形变和位移信息的分析，实现对物体损伤的定位和识别，可以检测出裂纹、断裂、缺口等损伤。 2. 损伤扩展监测。DIC技术可以通过对物体形变信息的分析，实现对损伤扩展过程的监测和跟踪，可以评估损伤的扩展速度和方向，为损伤预警和维护提供数据支持。 3. 损伤特性评估。DIC技术可以通过对物体的应变信息的分析，实现对损伤的性质和严重程度的评估，可以评估损伤的强度、刚度、韧性等特性。 基于DIC的损伤检测方法具有非接触、全场、高精度的特点，可以实现实时、准确、全面地检测物体的损伤情况，对于材料损伤分析、工程结构健康监测、航空航天等领域具有重要的应用价值。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值