Сегментация дефектов дорожного покрытия на основе формирования синтетических выборок с помощью глубоких генеративно-состязательных сверточных сетей; Компьютерная оптика; Т. 45, № 6
| Parent link: | Компьютерная оптика Т. 45, № 6.— 2021.— [С. 907-916] |
|---|---|
| Κύριος συγγραφέας: | |
| Συγγραφή απο Οργανισμό/Αρχή: | |
| Άλλοι συγγραφείς: | , |
| Περίληψη: | Заглавие с экрана В данной работе рассматривается комплекс задач обнаружения различных дефектов дорожного полотна автомобильных дорог и современные методы их решения. Представленное сравнение общедоступных наборов данных позволяет сделать вывод о сложности и малой разработанности задачи сегментации дефектов дорожного покрытия по изображению общего вида автомобильных дорог. Для решения данной проблемы разработаны алгоритмы генерации синтетического набора данных для сегментации дефектов классов трещин и выбоин на основе методов компьютерной графики и генеративно-состязательных сетей. Проведено сравнение точности сегментации дефектов дорожного покрытия полносверточной нейронной сетью U-Net на реальном и комбинированных наборах данных. We discuss a range of problems relating to road pavement defects detection and modern approaches to their solution. The presented comparison of publicly available datasets allows one to make a conclusion that the problem of segmentation of road pavement defects in driver wide-view road images is difficult and poorly investigated. To solve this problem, we have developed algorithms for generating a synthetic dataset for cracks and potholes distress based on computer graphics methods and deep convolutional generative adversarial networks. A comparison of the accuracy of road distress segmentation was performed by training a fully convolutional neural network U-Net on real and combined datasets. |
| Γλώσσα: | Ρωσικά |
| Έκδοση: |
2021
|
| Θέματα: | |
| Διαθέσιμο Online: | https://www.elibrary.ru/item.asp?id=47449548 https://doi.org/10.18287/2412-6179-CO-844 |
| Μορφή: | Ηλεκτρονική πηγή Κεφάλαιο βιβλίου |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=666937 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 666937 | ||
| 005 | 20260807071630.0 | ||
| 035 | |a (RuTPU)RU\TPU\network\38141 | ||
| 035 | |a RU\TPU\network\36874 | ||
| 090 | |a 666937 | ||
| 100 | |a 20220208d2021 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drgn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Сегментация дефектов дорожного покрытия на основе формирования синтетических выборок с помощью глубоких генеративно-состязательных сверточных сетей |d Deep convolutional generative adversarial network-based synthesis of datasets for road pavement distress segmentation |f И. А. Канаева, Ю. А. Иванова, В. Г. Спицын | |
| 203 | |a Текст |c электронный | ||
| 300 | |a Заглавие с экрана | ||
| 320 | |a [Библиогр.: 40 назв.] | ||
| 330 | |a В данной работе рассматривается комплекс задач обнаружения различных дефектов дорожного полотна автомобильных дорог и современные методы их решения. Представленное сравнение общедоступных наборов данных позволяет сделать вывод о сложности и малой разработанности задачи сегментации дефектов дорожного покрытия по изображению общего вида автомобильных дорог. Для решения данной проблемы разработаны алгоритмы генерации синтетического набора данных для сегментации дефектов классов трещин и выбоин на основе методов компьютерной графики и генеративно-состязательных сетей. Проведено сравнение точности сегментации дефектов дорожного покрытия полносверточной нейронной сетью U-Net на реальном и комбинированных наборах данных. | ||
| 330 | |a We discuss a range of problems relating to road pavement defects detection and modern approaches to their solution. The presented comparison of publicly available datasets allows one to make a conclusion that the problem of segmentation of road pavement defects in driver wide-view road images is difficult and poorly investigated. To solve this problem, we have developed algorithms for generating a synthetic dataset for cracks and potholes distress based on computer graphics methods and deep convolutional generative adversarial networks. A comparison of the accuracy of road distress segmentation was performed by training a fully convolutional neural network U-Net on real and combined datasets. | ||
| 461 | |t Компьютерная оптика | ||
| 463 | |t Т. 45, № 6 |v [С. 907-916] |d 2021 | ||
| 510 | 1 | |a Deep convolutional generative adversarial network-based synthesis of datasets for road pavement distress segmentation |z eng | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a сегментация | |
| 610 | 1 | |a дефекты | |
| 610 | 1 | |a дорожные покрытия | |
| 610 | 1 | |a оптическая выборка | |
| 610 | 1 | |a генеративные состязательные сети | |
| 610 | 1 | |a сверточные сети | |
| 610 | 1 | |a image segmentation | |
| 610 | 1 | |a road pavement distress | |
| 610 | 1 | |a synthetic dataset | |
| 610 | 1 | |a generative adversarial network | |
| 610 | 1 | |a convolutional neural network | |
| 700 | 1 | |a Канаева |b И. А. |g Ирина Александровна | |
| 701 | 1 | |a Иванова |b Ю. А. |c специалист в области информатики и вычислительной техники |c доцент Томского политехнического университета, кандидат технических наук |f 1986- |g Юлия Александровна |3 (RuTPU)RU\TPU\pers\45858 |9 22003 | |
| 701 | 1 | |a Спицын |b В. Г. |c специалист в области информатики и вычислительной техники |c профессор Томского политехнического университета, доктор технических наук |f 1948- |g Владимир Григорьевич |3 (RuTPU)RU\TPU\pers\22707 |9 9740 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |b Инженерная школа информационных технологий и робототехники |c 2017- |x TPU |7 ca |8 rus |9 28330 |
| 801 | 2 | |a RU |b 63413507 |c 20220208 |g RCR | |
| 856 | 4 | 0 | |u https://www.elibrary.ru/item.asp?id=47449548 |
| 856 | 4 | 0 | |u https://doi.org/10.18287/2412-6179-CO-844 |
| 942 | |c CF | ||