MITIGATING THE IMPACT OF ANNOTATION ERRORS AND IMPROVING PAVEMENT CRACK DETECTION ACCURACY THROUGH LOSS FUNCTION DESIGN

View at publisher Summarise with VIRAT
Authors: Masaya SHIMASAKI, Yonghe LI, M. Sakamoto, Toshiaki Satoh
Cited by: 0
References: 25

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

セマンティックセグメンテーションによる舗装ひび割れ判読においてアノテーションエラーの影響を低減し,深層学習モデルの精度向上を図る手法を検討した.既往研究を踏まえ,学習過程における損失関数の設計がアノテーションエラーの影響を緩和する可能性に着目し,Tversky Lossを導入した.特に,過抽出(FP)よりも見逃し(FN)に対する重みを高く設定することで,精度低下への影響を抑制できるかを検証した.用途やバックボーンの異なる計12種のモデルを対象に,路面性状調査用データで検証を行った結果,ほぼ全てのモデルにおいて精度向上を確認した.さらに,特に効果の高いモデルについて,公開ベンチマークデータセットで追加検証した結果,アノテーションエラーによる精度低下を約7〜8割程度抑制できる可能性が示唆された.

Fields of Study & Subjects

Infrastructure Maintenance and Monitoring Advanced Neural Network Applications Industrial Vision Systems and Defect Detection

Publication details

Journal / source
Japanese Journal of JSCE
Volume
82
Issue
22
Pages
n/a–n/a
Publication date
1 January 2026
Language
EN