講演抄録/キーワード |
講演名 |
2022-01-24 10:00
アンサンブルモデルによる道路損傷検出 ○和田直己・廣瀬翔太・Heming Sun・甲藤二郎(早大) IE2021-30 |
抄録 |
(和) |
日本の道路の多くが更新期に近づいているため、道路損傷を自動で検知することが求められている。これに関連して、道路損傷画像およびアノテーションを行ったRoad Damage Datasetを用いた、コンペティション(GRDDC)が開催された。本コンペでは複数のモデルを用いるアンサンブルモデルの有効性が示された。一方で、アンサンブルに用いるモデルの学習のハイパーパラメータおよびモデルの組み合わせの決定は経験的に行われてきた。そこで複数の異なるハイパーパラメータでのモデルの学習及び、組み合わせたアンサンブルモデルの精度評価を行い、これらの要因が精度へ与える影響を調べた。その結果、バッチサイズは精度への影響が小さく、反対に単体のモデルの精度やエポック数、及び学習と推論で解像度を合わせることの影響が大きいことが分かった。 |
(英) |
As most of the roads in Japan are approaching the renewal stage, there is a need for automatic detection of road damages. In relation to this, a competition (GRDDC) had been held using road damage images and annotated Road Damage Dataset. In this competition, the effectiveness of ensemble models using multiple models was demonstrated. In this competition, the effectiveness of ensemble models was demonstrated. On the other hand, determination of hyperparameters and combinations of models for ensemble training has been done empirically. Therefore, in this paper, we train the models with various different hyperparameters, evaluate accuracy of the combined ensemble models, and investigate the effect of these factors on the accuracy. As a result, it is found that the batch size is not very important, but the accuracy of a single model and the matching resolution in training and inference are important. |
キーワード |
(和) |
Deep Learning / Object Detection / / / / / / |
(英) |
Deep Leaning / Object Detection / / / / / / |
文献情報 |
信学技報, vol. 121, no. 346, IE2021-30, pp. 15-20, 2022年1月. |
資料番号 |
IE2021-30 |
発行日 |
2022-01-17 (IE) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
IE2021-30 |
研究会情報 |
研究会 |
IE |
開催期間 |
2022-01-24 - 2022-01-24 |
開催地(和) |
国立情報学研究所 |
開催地(英) |
National Institute of Informatics |
テーマ(和) |
画像処理・符号化および一般 |
テーマ(英) |
Image Processing, Image Coding, etc. |
講演論文情報の詳細 |
申込み研究会 |
IE |
会議コード |
2022-01-IE |
本文の言語 |
日本語 |
タイトル(和) |
アンサンブルモデルによる道路損傷検出 |
サブタイトル(和) |
|
タイトル(英) |
Ensemble learning for road damage detection |
サブタイトル(英) |
|
キーワード(1)(和/英) |
Deep Learning / Deep Leaning |
キーワード(2)(和/英) |
Object Detection / Object Detection |
キーワード(3)(和/英) |
/ |
キーワード(4)(和/英) |
/ |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
和田 直己 / Naoki Wada / ワダ ナオキ |
第1著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第2著者 氏名(和/英/ヨミ) |
廣瀬 翔太 / Shota Hirose / ヒロセ ショウタ |
第2著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第3著者 氏名(和/英/ヨミ) |
Heming Sun / Heming Sun / Heming Sun |
第3著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第4著者 氏名(和/英/ヨミ) |
甲藤 二郎 / Jiro Katto / カットウ ジロウ |
第4著者 所属(和/英) |
早稲田大学 (略称: 早大)
Waseda University (略称: Waseda Univ.) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2022-01-24 10:00:00 |
発表時間 |
25分 |
申込先研究会 |
IE |
資料番号 |
IE2021-30 |
巻番号(vol) |
vol.121 |
号番号(no) |
no.346 |
ページ範囲 |
pp.15-20 |
ページ数 |
6 |
発行日 |
2022-01-17 (IE) |
|