論文の概要: FADACS: A Few-shot Adversarial Domain Adaptation Architecture for
Context-Aware Parking Availability Sensing
- arxiv url: http://arxiv.org/abs/2007.08551v2
- Date: Thu, 28 Jan 2021 01:05:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 23:50:11.376345
- Title: FADACS: A Few-shot Adversarial Domain Adaptation Architecture for
Context-Aware Parking Availability Sensing
- Title（参考訳）: FADACS: コンテキスト認識型パーキングアベイラビリティセンシングのための対向ドメイン適応アーキテクチャ
- Authors: Wei Shao, Sichen Zhao, Zhen Zhang, Shiyu Wang, Mohammad Saiedur
Rahaman, Andy Song, Flora Dilys Salim
- Abstract要約: 本研究では,駐車場データの不十分な地域での駐車状況を予測するために,駐車状況検知のためのエンドツーエンドの移動学習フレームワークを設計する。
このフレームワークは2つの課題を克服する。1) 既存のデータ駆動モデルに十分なデータを提供できない実世界のケースが多く、2) センサデータと異種コンテキスト情報をマージすることは困難である。
- 参考スコア（独自算出の注目度）: 5.160087162892865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing research on parking availability sensing mainly relies on extensive
contextual and historical information. In practice, the availability of such
information is a challenge as it requires continuous collection of sensory
signals. In this study, we design an end-to-end transfer learning framework for
parking availability sensing to predict parking occupancy in areas in which the
parking data is insufficient to feed into data-hungry models. This framework
overcomes two main challenges: 1) many real-world cases cannot provide enough
data for most existing data-driven models, and 2) it is difficult to merge
sensor data and heterogeneous contextual information due to the differing urban
fabric and spatial characteristics. Our work adopts a widely-used concept,
adversarial domain adaptation, to predict the parking occupancy in an area
without abundant sensor data by leveraging data from other areas with similar
features. In this paper, we utilise more than 35 million parking data records
from sensors placed in two different cities, one a city centre and the other a
coastal tourist town. We also utilise heterogeneous spatio-temporal contextual
information from external resources, including weather and points of interest.
We quantify the strength of our proposed framework in different cases and
compare it to the existing data-driven approaches. The results show that the
proposed framework is comparable to existing state-of-the-art methods and also
provide some valuable insights on parking availability prediction.
- Abstract（参考訳）: パーキング・アベイラビリティーに関する既存の研究は、主に広い文脈と歴史的情報に依存している。
実際には、感覚信号の連続収集を必要とするため、そのような情報の入手は困難である。
本研究では,駐車データが不十分な地域での駐車状況を予測するために,駐車状況検知のためのエンドツーエンドの移動学習フレームワークを設計する。
このフレームワークは2つの大きな課題を克服する。
1)多くの実世界のケースでは、既存のほとんどのデータ駆動モデルに十分なデータを提供できない。
2)都市構造や空間特性が異なるため,センサデータと異質な状況情報を融合することは困難である。
本研究は,類似した特徴を持つ他の領域のデータを活用することで,センサデータのない地域での駐車状況を予測するために,広く利用されている概念である敵領域適応を採用する。
本稿では,都市中心都市と沿岸観光町という2つの異なる都市に設置されたセンサから,3500万件以上の駐車データを利用する。
また,天気や関心点など外部資源からの異種時空間情報を利用する。
提案するフレームワークの強度を異なるケースで定量化し,既存のデータ駆動アプローチと比較する。
その結果,提案フレームワークは既存の最先端手法に匹敵するものとなり,パーキングアベイラビリティ予測に関する貴重な知見が得られた。
関連論文リスト
- Leverage Multi-source Traffic Demand Data Fusion with Transformer Model for Urban Parking Prediction [4.672121078249809]
本研究では,空間時間深層学習とマルチソースデータ融合を組み合わせた駐車予測フレームワークを提案する。
このフレームワークは、時空間深層学習モデルとしてのTransformerに基づいている。
実世界の実証データを用いて,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-05-02T07:28:27Z) - Collaborative Perception Datasets in Autonomous Driving: A Survey [0.0]
この論文は様々なデータセットを体系的に分析し、多様性、センサーの設定、品質、公開可用性、下流タスクへの適用性といった側面に基づいて比較する。
データセット開発におけるプライバシとセキュリティの懸念に対処することの重要性は、データ共有とデータセット生成に関して強調されている。
論文 参考訳（メタデータ） (2024-04-22T09:36:17Z) - UniTraj: A Unified Framework for Scalable Vehicle Trajectory Prediction [93.77809355002591]
さまざまなデータセット、モデル、評価基準を統一する包括的なフレームワークであるUniTrajを紹介する。
我々は広範な実験を行い、他のデータセットに転送するとモデルの性能が大幅に低下することがわかった。
これらの知見を説明するために,データセットの特徴に関する洞察を提供する。
論文 参考訳（メタデータ） (2024-03-22T10:36:50Z) - Deep Single Models vs. Ensembles: Insights for a Fast Deployment of
Parking Monitoring Systems [3.00363876980149]
多くのアプローチでは大量のデータの収集とラベル付けを行うため、インテリジェントな駐車監視は依然として課題である。
本研究の目的は,公用ラベル付き駐車場画像を用いて訓練されたグローバルなフレームワーク構築の課題を明らかにすることである。
その結果、多様なデータセットでトレーニングされたモデルは、目標駐車場におけるデータアノテーションやモデルトレーニングの負担を伴わずに95%の精度を達成できることがわかった。
論文 参考訳（メタデータ） (2023-09-28T14:59:53Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳（メタデータ） (2023-06-14T05:48:36Z) - IDD-3D: Indian Driving Dataset for 3D Unstructured Road Scenes [79.18349050238413]
デプロイ可能なディープラーニングアーキテクチャの準備とトレーニングには、さまざまなトラフィックシナリオに適したモデルが必要である。
インドなどいくつかの発展途上国で見られる非構造的で複雑な運転レイアウトは、これらのモデルに挑戦している。
我々は、複数のカメラと12kの注釈付き駆動LiDARフレームを備えたLiDARセンサーのマルチモーダルデータからなる新しいデータセットIDD-3Dを構築した。
論文 参考訳（メタデータ） (2022-10-23T23:03:17Z) - Hindsight is 20/20: Leveraging Past Traversals to Aid 3D Perception [59.2014692323323]
小さな、遠く、あるいは非常に隠蔽された物体は、検出するためのLiDAR点雲に限られた情報があるため、特に困難である。
本稿では,過去データから文脈情報を抽出する,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。
このフレームワークは現代のほとんどの3D検出アーキテクチャと互換性があり、複数の自律走行データセットの平均精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-03-22T00:58:27Z) - 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) - Towards automatic extraction and validation of on-street parking spaces
using park-out events data [0.0]
路上駐車スペースに有効なマップを自動作成する2つの手法を提案する。
1つ目は空間アグリゲーション、もう1つは機械学習アルゴリズムを使用する。
我々は,ベルリン市内の地区での結果を示し,元の不均衡データから92%の分類精度を報告した。
論文 参考訳（メタデータ） (2021-02-12T20:22:38Z) - Urban Sensing based on Mobile Phone Data: Approaches, Applications and
Challenges [67.71975391801257]
モバイルデータ分析における多くの関心は、人間とその行動に関連している。
本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
論文 参考訳（メタデータ） (2020-08-29T15:14:03Z) - IDDA: a large-scale multi-domain dataset for autonomous driving [16.101248613062292]
本稿では,100以上の異なる視覚領域を持つセマンティックセグメンテーションのための大規模合成データセットを提案する。
このデータセットは、さまざまな天候や視点条件下でのトレーニングとテストデータのドメインシフトの課題に明示的に対処するために作成されている。
論文 参考訳（メタデータ） (2020-04-17T15:22:38Z)
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。