Eingang zum Volltext in OPUS

Hinweis zum Urheberrecht

InProceedings (Aufsatz / Paper einer Konferenz etc.) zugänglich unter
URL: http://bast.opus.hbz-nrw.de/volltexte/2018/2038/

How to get pavement distress detection ready for deep learning? A systematic approach

Eisenbach, Markus ; Stricker, Ronny ; Seichter, Daniel ; Amende, Karl ; Debes, Klaus ; Sesselmann, Maximilian ; Ebersbach, Dirk ; Stöckert, Ulrike ; Gross, Horst Michael

Originalveröffentlichung: (2017) 2017 International Joint Conference on Neural Networks (IJCNN), S. 2039-2047

Bookmark bei Connotea Bookmark bei del.icio.us
Freie Schlagwörter (Deutsch): Datenbank , Datenverarbeitung , Detektion , Digitale Bildverarbeitung , Kamera , Lernen , Materialveraenderung (allg) , Neuronales Netz , Oberfläche , Straße , Straßennetz , Zustandsbewertung
Freie Schlagwörter (Englisch): Camera , Condition survey , Data base , Data processing , Detection , Deterioration , Image processing , Learning , Neural network , Road , Road network , Surface
Collection: BASt-Beiträge / ITRD Sachgebiete / 61 Unterhaltung und Instandsetzung
Institut 1: Sonstige
Institut 2: Abteilung Straßenbautechnik
DDC-Sachgruppe: Ingenieurwissenschaften
Sonstige beteiligte Institution: Technische Universität Ilmenau. Neuroinformatics and Cognitive Robotics Lab
Dokumentart: InProceedings (Aufsatz / Paper einer Konferenz etc.)
Sprache: Englisch
Erstellungsjahr: 2017
Publikationsdatum: 25.09.2018
Bemerkung: Außerdem beteiligt: Lehmann + Partner GmbH. Volltext: DOI: 10.1109/IJCNN.2017.7966101
Kurzfassung auf Englisch: Road condition acquisition and assessment are the key to guarantee their permanent availability. In order to maintain a country's whole road network, millions of high-resolution images have to be analyzed annually. Currently, this requires cost and time excessive manual labor. We aim to automate this process to a high degree by applying deep neural networks. Such networks need a lot of data to be trained successfully, which are not publicly available at the moment. In this paper, we present the GAPs dataset, which is the first freely available pavement distress dataset of a size, large enough to train high-performing deep neural networks. It provides high quality images, recorded by a standardized process fulfilling German federal regulations, and detailed distress annotations. For the first time, this enables a fair comparison of research in this field. Furthermore, we present a first evaluation of the state of the art in pavement distress detection and an analysis of the effectiveness of state of the art regularization techniques on this dataset.