論文の概要: FRSign: A Large-Scale Traffic Light Dataset for Autonomous Trains
- arxiv url: http://arxiv.org/abs/2002.05665v1
- Date: Wed, 5 Feb 2020 15:08:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 21:29:28.132007
- Title: FRSign: A Large-Scale Traffic Light Dataset for Autonomous Trains
- Title（参考訳）: FRSign: 自律列車用の大規模交通光データセット
- Authors: Jeanine Harb, Nicolas R\'eb\'ena, Rapha\"el Chosidow, Gr\'egoire
Roblin, Roman Potarusov and Hatem Hajri
- Abstract要約: 鉄道交通信号の検出と認識のための大規模かつ正確なデータセットFRSignを紹介した。
私たちの録音は、フランスで選択された列車で行われ、手書きの注釈から恩恵を受けました。
これまでに取得したデータの10%に相当するイラストレーションデータセットをオープンソースとして公開している。
- 参考スコア（独自算出の注目度）: 0.6850683267295248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the realm of autonomous transportation, there have been many initiatives
for open-sourcing self-driving cars datasets, but much less for alternative
methods of transportation such as trains. In this paper, we aim to bridge the
gap by introducing FRSign, a large-scale and accurate dataset for vision-based
railway traffic light detection and recognition. Our recordings were made on
selected running trains in France and benefited from carefully hand-labeled
annotations. An illustrative dataset which corresponds to ten percent of the
acquired data to date is published in open source with the paper. It contains
more than 100,000 images illustrating six types of French railway traffic
lights and their possible color combinations, together with the relevant
information regarding their acquisition such as date, time, sensor parameters,
and bounding boxes. This dataset is published in open-source at the address
\url{https://frsign.irt-systemx.fr}. We compare, analyze various properties of
the dataset and provide metrics to express its variability. We also discuss
specific challenges and particularities related to autonomous trains in
comparison to autonomous cars.
- Abstract（参考訳）: 自動運転の分野では、自動運転車のデータセットをオープンソース化するための取り組みが数多く行われてきたが、列車などの代替交通手段についてはずっと少ない。
本稿では,視覚に基づく鉄道信号の検出と認識のための大規模かつ正確なデータセットFRSignを導入することにより,このギャップを埋めることを目的とする。
我々の録音はフランスで選択された走行列車で行われ、注意深い注釈の恩恵を受けた。
この論文は、取得したデータの10%に相当する図式データセットをオープンソースとして公開している。
6種類のフランスの鉄道信号機とその色の組み合わせを描写した10万枚以上の画像と、日付、時間、センサーパラメータ、バウンディングボックスなどの取得に関する関連情報が含まれている。
このデータセットはオープンソースのアドレス \url{https://frsign.irt-systemx.fr} で公開されている。
データセットのさまざまな特性を比較し,分析し,その変動性を表す指標を提供する。
また、自動運転車と比較して、自律列車に関する特定の課題や特異性についても論じる。
関連論文リスト
- Context-Aware Automated Passenger Counting Data Denoising [2.249916681499244]
本稿では,APCデータのロバスト性向上と解析の容易化を目的としたデノナイジングアルゴリズムを提案する。
提案手法は,チケットデータと歴史的なライダーシップデータを利用する制約付き整数線形最適化により構成される。
パフォーマンスは、フランスのいくつかの公共交通ネットワークにおける他のデノナイジング手法と比較して評価され、比較される。
論文 参考訳（メタデータ） (2024-02-06T16:55:41Z) - The IMPTC Dataset: An Infrastructural Multi-Person Trajectory and
Context Dataset [4.413278371057897]
市内の交差点は、怪我や致命的な事故で最も重要な交通エリアである。
われわれは、ドイツのインテリジェントな公共都市交差点と視覚センサー技術を使用している。
得られたデータセットは8時間の計測データから構成される。
論文 参考訳（メタデータ） (2023-07-12T13:46:20Z) - Metropolitan Segment Traffic Speeds from Massive Floating Car Data in 10
Cities [9.072777719721902]
10都市における大規模浮動車データ(MeTS-10)による街路ごとの交通情報,メトロポリタンセグメンメント交通速度の大規模浮動車データセット(MeTS-10)を提案する。
MeTS-10は、2019-2021年に108日から361日間、大都市圏あたり1500平方キロメートル以上をカバーした15分間のコレクション期間の10都市で利用可能である。
論文 参考訳（メタデータ） (2023-02-17T08:56:07Z) - Towards Spatio-Temporal Cross-Platform Graph Embedding Fusion for Urban
Traffic Flow Prediction [2.3513645401551333]
我々は,都市交通流予測のための新しい時空間グラフ埋め込み融合手法であるSTC-GEFを提案する。
我々は,グラフ畳み込みネットワーク(GCN)に基づく空間埋め込みモジュールを設計し,交通フローデータ中の複雑な空間的特徴を抽出した。
様々な時間間隔からトラフィックフローデータ間の時間的依存関係をキャプチャするために、繰り返しニューラルネットワークに基づく時間的埋め込みモジュールを設計した。
論文 参考訳（メタデータ） (2022-08-15T00:10:49Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous
Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。
多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。
我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文 参考訳（メタデータ） (2021-06-21T13:55:57Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳（メタデータ） (2021-06-21T12:28:08Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z) - The Pedestrian Patterns Dataset [11.193504036335503]
データセットは、異なる特定のタイムスロットから1週間、同じ3つのルートを繰り返すことで収集された。
データセットの目的は、横断するルートに沿って異なる時間に、社会的および歩行者の行動パターンをキャプチャすることである。
論文 参考訳（メタデータ） (2020-01-06T23:58:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。