自動ラベリング検出の成功した実装に向けて：訓練データサイズ、照明差、および空間シフトの影響

要旨: すり減り（raveling）すなわち凝集体の損失は、特に高速道路において、アスファルト舗装の路面の大きな損傷形態の1つである。研究では、レンジ画像に対する分類によるすり減り検出において、機械学習および深層学習ベースの手法が有望な結果をもたらすことが示されている。しかし、その性能は、大規模な導入では低下することが多い。というのも、推論に用いられるデータが、異なる実行、センサー、環境条件から生じうるためである。この劣化は、現実の導入に向けて、より汎用性が高く頑健な解決策が必要であることを示している。そこで、本研究の目的は、1) 訓練データ量、照明の違い、空間シフトなど、モデルの頑健性に影響する可能在りうる変動要因を特定し、それらを評価すること、ならびに 2) 得られた知見を活用して、現実環境のもとでモデルの頑健性を高めること、である。これに向けて本研究では、すり減り検出における変動に対するモデル頑健性を評価するためのベンチマーク「RavelingArena」を提案する。大量の新規データを収集する代わりに、既存のデータセットを多様で制御された変動で拡張することで、各変動の影響を定量化するための「変動を制御した」実験を可能にする。結果は、訓練データの量と多様性の両方がモデルの精度にとって重要であり、実験における最も多様な条件下では少なくとも9.2%の精度向上が達成されることを示している。さらに、これらの知見を米国ジョージア州の複数年にわたる試験区間に適用したケーススタディでは、年ごとの一貫性において顕著な改善が示され、時間的な劣化のモデリングに関する今後の研究の基盤が築かれる。これらの洞察は、すり減り検出および多様な条件への適応が求められるその他の現実世界のタスクにおいて、より信頼性の高いモデル導入を行うための指針を提供する。