論文の概要: Design of Efficient Deep Learning models for Determining Road Surface
Condition from Roadside Camera Images and Weather Data
- arxiv url: http://arxiv.org/abs/2009.10282v1
- Date: Tue, 22 Sep 2020 02:30:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 21:48:30.009722
- Title: Design of Efficient Deep Learning models for Determining Road Surface
Condition from Roadside Camera Images and Weather Data
- Title（参考訳）: 道路カメラ画像と気象データからの道路表面条件決定のための効率的な深層学習モデルの設計
- Authors: Juan Carrillo, Mark Crowley, Guangyuan Pan, Liping Fu
- Abstract要約: 冬期における道路の整備は、安全と資源を要求される作業である。
その重要な活動の1つは、道路を優先し、耕作や製塩などの清掃作業を行うために、道路表面の状態(RSC)を決定することである。
RSCを決定するための2つの従来のアプローチは、訓練された職員による道路カメラ画像の視覚的検査と、現場での検査を行うために道路をパトロールすることである。
- 参考スコア（独自算出の注目度）: 2.8904578737516764
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Road maintenance during the Winter season is a safety critical and resource
demanding operation. One of its key activities is determining road surface
condition (RSC) in order to prioritize roads and allocate cleaning efforts such
as plowing or salting. Two conventional approaches for determining RSC are:
visual examination of roadside camera images by trained personnel and
patrolling the roads to perform on-site inspections. However, with more than
500 cameras collecting images across Ontario, visual examination becomes a
resource-intensive activity, difficult to scale especially during periods of
snowstorms. This paper presents the results of a study focused on improving the
efficiency of road maintenance operations. We use multiple Deep Learning models
to automatically determine RSC from roadside camera images and weather
variables, extending previous research where similar methods have been used to
deal with the problem. The dataset we use was collected during the 2017-2018
Winter season from 40 stations connected to the Ontario Road Weather
Information System (RWIS), it includes 14.000 labeled images and 70.000 weather
measurements. We train and evaluate the performance of seven state-of-the-art
models from the Computer Vision literature, including the recent DenseNet,
NASNet, and MobileNet. Moreover, by following systematic ablation experiments
we adapt previously published Deep Learning models and reduce their number of
parameters to about ~1.3% compared to their original parameter count, and by
integrating observations from weather variables the models are able to better
ascertain RSC under poor visibility conditions.
- Abstract（参考訳）: 冬期における道路の整備は、安全と資源を要求される作業である。
その重要な活動の1つは、道路を優先し、耕作や塩漬けなどの清掃作業を割り当てるために路面条件(rsc)を決定することである。
RSCを決定するための従来のアプローチは、訓練された職員による道路カメラ画像の視覚検査と、現場での検査を行うための道路パトロールである。
しかし、オンタリオ州全域で500台以上のカメラが撮影され、視覚検査は資源集約的な活動となり、特に吹雪の時期にはスケールしにくい。
本稿では,道路整備作業の効率化を目的とした研究結果について述べる。
複数のDeep Learningモデルを用いて、道路カメラ画像と気象変数からRCCを自動的に判定し、同様の手法を用いてこの問題に対処する以前の研究を拡張した。
私たちが使用しているデータセットは、2017-2018年の冬季にオンタリオ道路気象情報システム(RWIS)に接続する40の局から収集され、14万枚のラベル付き画像と70万個の気象測定結果を含んでいる。
我々は,最近のdungnet,nasnet,mobilenetなど,コンピュータビジョン文献から得られた7つの最先端モデルのパフォーマンスをトレーニングし,評価する。
さらに、系統的アブレーション実験により、先行したディープラーニングモデルに適応し、パラメータ数を元のパラメータ数と比較して約1.3%に削減し、気象変数からの観測結果を統合することにより、可視性の低い環境下でのrscの確度が向上する。
関連論文リスト
- Improving classification of road surface conditions via road area extraction and contrastive learning [2.9109581496560044]
画像中の道路面に下流分類モデルのみを集中させるセグメンテーションモデルを導入する。
公開RTKデータセットに対する実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2024-07-19T15:43:16Z) - Road Surface Friction Estimation for Winter Conditions Utilising General Visual Features [0.4972323953932129]
本稿では,道路側カメラによる路面摩擦のコンピュータビジョンによる評価について検討する。
本稿では、事前学習された視覚変換器モデルと畳み込みブロックからなるハイブリッドディープラーニングアーキテクチャWCamNetを提案する。
論文 参考訳（メタデータ） (2024-04-25T12:46:23Z) - NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative Learning for Dynamic Driving Scenes [49.92839157944134]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。
雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。
雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文 参考訳（メタデータ） (2024-02-28T09:02:33Z) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural
Rendering [83.75284107397003]
本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。
本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。
マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-05-03T13:24:06Z) - Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
近年,Bird's-Eye View (BEV) の知覚が注目されている。
自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。
本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
論文 参考訳（メタデータ） (2023-01-11T18:39:34Z) - Deep-Learning-Based Precipitation Nowcasting with Ground Weather Station
Data and Radar Data [14.672132394870445]
複数の気象観測所からの地上気象観測を効果的に活用するための新しい注意法であるASOCを提案する。
ASOCは、観測の時間的ダイナミクスとそれらの間の文脈的関係を捉えるように設計されている。
この組み合わせにより, 平均臨界成功指数 (CSI) は1-6時間リード時の重雨 (少なくとも10 mm/hr) と軽雨 (少なくとも1 mm/hr) を5.7%向上することがわかった。
論文 参考訳（メタデータ） (2022-10-20T14:59:58Z) - Unsupervised Restoration of Weather-affected Images using Deep Gaussian
Process-based CycleGAN [92.15895515035795]
本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。
我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。
提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
論文 参考訳（メタデータ） (2022-04-23T01:30:47Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Multimodal End-to-End Learning for Autonomous Steering in Adverse Road
and Weather Conditions [0.0]
自動ステアリングにおけるエンド・ツー・エンドの学習に関するこれまでの研究を,マルチモーダルデータを用いた有害な実生活環境での運用に拡張する。
道路および気象条件下で28時間の運転データを収集し,車両のハンドル角度を予測するために畳み込みニューラルネットワークを訓練した。
論文 参考訳（メタデータ） (2020-10-28T12:38:41Z) - Integration of Roadside Camera Images and Weather Data for Monitoring
Winter Road Surface Conditions [2.6955785230358966]
冬季には,ドライバーの安全と道路整備作業において,道路表面状況のリアルタイムモニタリングが重要である。
RWIS(ロード・ウェザー・インフォメーション・システム)に設置した道路側カメラの画像を処理し,道路積雪検出のための画像分類手法の可能性について検討した。
カナダのオンタリオ州に限られたRWIS局があるため、ネットワークは空間範囲を減らしている。
我々は、RWIS局から収集した画像と気象データと他のMTO(オンタリオ州交通省)の道路カメラと環境カナダ局の気象データを統合することで、このタスクの性能を向上させることを提案する。
論文 参考訳（メタデータ） (2020-09-22T01:43:27Z)
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。