Yet Another Deep Learning Approach for Road Damage Detection using Ensemble Learning

Detecção Inteligente de Falhas em Pavimentações Asfálticas com Redes Neurais Convolucionais Regionais

“…O melhor desempenho da YOLOv5, perante a Configurac ¸ão 4 no cenário experimental, pode ser justificado em razão de uma melhor eficiência dos procedimentos para aumento artificial de dados quando comparada à YOLOv4 e quanto ao número de parâmetros quando comparada à Configurac ¸ão 3. Ao analisar os resultados em comparac ¸ão com o estado da arte para o RDD2020 [Hegde et al 2020], observa-se que as métricas de desempenho ficam aquém da melhor soluc ¸ão na literatura, com decréscimo percentual de 18,61 % no F 1 -Score. Porém, há de se ressaltar que (i) a soluc ¸ão proposta contorna as limitac ¸ões no tocante ao tempo de previsão, com 64 FPS versus 3,08 FPS (aumento percentual de 1.977,92 %); (ii) possui significativamente menos parâmetros, uma vez que a soluc ¸ão de referência usa um comitê de 3 redes YOLOv5; e (iii) que foi treinada com significativamente menos dados, pois houve limpeza dos exemplos com rótulos inválidos, vide comparativo da Fig.…”

“…A equipe vencedora, em particular, composta por integrantes de universidades dos Estados Unidos e da Jordânia, utilizou duas estratégias principais, a citar: (1) Test Time Augmentation, na qual, para cada imagem de teste, geram-se múltiplas previsões que são filtradas com um algoritmo de supressão não-máxima para produzir a melhor previsão final; (2) comitês de modelos, nos quais a mesma entrada é fornecida a diferentes configurac ¸ões de redes YO-LOv5 e as previsões resultantes são combinadas por meio de uma média, o que auxilia a obter uma melhor acurácia, reduzindo a variância das previsões. Como resultado, a equipe obteve F 1 -Score aproximadamente igual a 0,67 em ambas as partic ¸ões de testes [Hegde et al 2020]. Apesar de ter obtido os melhores indicadores de desempenho, reportou-se uma explícita queda no tempo das previsões em comparac ¸ão às outras equipes e não foram aferidos aspectos relativos ao número de parâmetros da soluc ¸ão final proposta [Arya et al 2020].…”

Cloud-Based Collaborative Road-Damage Monitoring with Deep Learning and Smartphones

“…On both the training and the testing datasets, the model generated some false positives when there was no road damage. The calculated F1 score is 0.853, which is better than the performance of the networks for the same purpose in[19][20][21][22][23][24]. Overall, the results show that the trained YOLO model is especially good at telling cracks from potholes, but can sometimes make mistakes in distinguishing undamaged roads from damage.…”

“…The authors of [20] used a variant of Fast R-CNN, the bi-directional feature pyramid network (BiFPN), and achieved an F1 score of 0.6455. Other participating teams also used variants of YOLO [21,22] or R-CNN [23,24], and their F1 scores were between 0.5 and 0.66.…”

YOLO-LRDD: a lightweight method for road damage detection based on improved YOLOv5s

“…Another type of regression-based is single-stage network. Jeong et al [16] applied test-time data augmentation (TTA) on a YOLOv5x-based model, which generates a large number of new images for data augmentation by horizontally flipping each training image, increasing the image resolution, etc., and adding the existing images together with the augmented images to the trained u-YOLO. The model scored 67% in F1 and won the first place in the Global Road Damage Detection Challenge (GRDDC) competition, but the detection speed was not satisfactory and not real time.…”