An Improved ResNet50 Model for Predicting Pavement Condition Index (PCI) Directly from Pavement Images

要約

舗装条件インデックス（PCI）を正確に予測すると、舗装画像からの道路条件の尺度がインフラストラクチャのメンテナンスに不可欠です。
この調査では、追加の注釈なしで舗装画像からPCIを直接予測するために、畳み込みブロック注意モジュール（CBAM）と統合された残差ネットワーク（RESNET50）アーキテクチャの拡張バージョンを提案しています。
CBAMを組み込むことにより、モデルは画像内の重要な機能を自律的に優先し、予測の精度を向上させます。
元のベースラインRESNET50およびDENSENET161アーキテクチャと比較して、拡張されたResNET50-CBAMモデルは、それぞれ70.76％と65.48％を達成したベースラインモデルと比較して、58.16％の平均絶対パーセンテージ誤差（MAPE）が大幅に低くなりました。
これらの結果は、特徴抽出を改良するために注意メカニズムを使用して、最終的に舗装条件のより正確で効率的な評価を可能にする可能性を強調しています。
この研究では、注意メカニズムを通じて自動化された舗装分析を進める上でターゲットを絞った特徴の改良の重要性を強調しています。

要約(オリジナル)

Accurately predicting the Pavement Condition Index (PCI), a measure of roadway conditions, from pavement images is crucial for infrastructure maintenance. This study proposes an enhanced version of the Residual Network (ResNet50) architecture, integrated with a Convolutional Block Attention Module (CBAM), to predict PCI directly from pavement images without additional annotations. By incorporating CBAM, the model autonomously prioritizes critical features within the images, improving prediction accuracy. Compared to the original baseline ResNet50 and DenseNet161 architectures, the enhanced ResNet50-CBAM model achieved a significantly lower mean absolute percentage error (MAPE) of 58.16%, compared to the baseline models that achieved 70.76% and 65.48% respectively. These results highlight the potential of using attention mechanisms to refine feature extraction, ultimately enabling more accurate and efficient assessments of pavement conditions. This study emphasizes the importance of targeted feature refinement in advancing automated pavement analysis through attention mechanisms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google