論文の概要: A Vision-based System for Traffic Anomaly Detection using Deep Learning and Decision Trees

• arxiv url: http://arxiv.org/abs/2104.06856v1
• Date: Wed, 14 Apr 2021 13:48:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-15 17:07:40.157770
• Title: A Vision-based System for Traffic Anomaly Detection using Deep Learning and Decision Trees
• Title（参考訳）: 深層学習と決定木を用いた交通異常検出のための視覚ベースシステム
• Authors: Armstrong Aboah, Maged Shoman, Vishal Mandal, Sayedomidreza Davami, Yaw Adu-Gyamfi, Anuj Sharma
• Abstract要約: 交通カメラから異常を抽出するDeep Learningを活用した意思決定ツリー方式を提案する。 提案手法では,検出モデルの作成と異常検出と解析を行った。 提案手法では,f1 スコア 0.8571 と s4 スコア 0.5686 の検証結果を得た。
• 参考スコア（独自算出の注目度）: 2.490941231944805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Any intelligent traffic monitoring system must be able to detect anomalies such as traffic accidents in real time. In this paper, we propose a Decision-Tree - enabled approach powered by Deep Learning for extracting anomalies from traffic cameras while accurately estimating the start and end time of the anomalous event. Our approach included creating a detection model, followed by anomaly detection and analysis. YOLOv5 served as the foundation for our detection model. The anomaly detection and analysis step entail traffic scene background estimation, road mask extraction, and adaptive thresholding. Candidate anomalies were passed through a decision tree to detect and analyze final anomalies. The proposed approach yielded an F1 score of 0.8571, and an S4 score of 0.5686, per the experimental validation.
• Abstract（参考訳）: インテリジェントな交通監視システムは、交通事故などの異常をリアルタイムで検出できなければならない。 本稿では,交通カメラから異常を抽出し,異常事象の開始時刻と終了時刻を正確に推定するディープ・ラーニングを用いた意思決定型アプローチを提案する。 提案手法では,検出モデルの作成と異常検出と解析を行った。 YOLOv5は我々の検出モデルの基礎となった。 異常検出・分析ステップは、交通シーンの背景推定、道路マスク抽出、適応しきい値設定を伴う。 候補異常は決定木を通過して最終異常を検出し解析した。 提案手法では,f1 スコア 0.8571 と s4 スコア 0.5686 の検証結果を得た。

関連論文リスト

• Semi-Supervised Learning for Anomaly Traffic Detection via Bidirectional Normalizing Flows [47.4772981101262]
  本稿では,異常なネットワークトラフィック検出の問題点を考察し,通常のトラフィックのみを用いた3段階の異常検出フレームワークを提案する。 本フレームワークは,異常を事前に知ることなく擬似異常サンプルを生成し,異常データの検出を実現する。
  論文  参考訳（メタデータ） (2024-03-13T02:10:32Z)
• MEDAVET: Traffic Vehicle Anomaly Detection Mechanism based on spatial and temporal structures in vehicle traffic [2.8068840920981484]
  本稿では,高速道路の交通異常を検出するために,コンピュータビジョンを用いた車両追跡をモデル化することを目的とする。 トラフィックの検出、追跡、分析のステップを開発する。 実験結果から,本手法はTrack4テストセットで許容可能であることが示された。
  論文  参考訳（メタデータ） (2023-10-28T00:36:50Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• SigSegment: A Signal-Based Segmentation Algorithm for Identifying Anomalous Driving Behaviours in Naturalistic Driving Videos [5.735035463793008]
  本稿では,映像を異常と非異常に分割する信号に基づく異常検出アルゴリズムを提案する。 提案手法はオーバーラップスコア0.5424を達成し、AIシティチャレンジ2023で公衆のリーダーボードで9位にランクインした。
  論文  参考訳（メタデータ） (2023-04-13T22:38:18Z)
• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Leveraging Trajectory Prediction for Pedestrian Video Anomaly Detection [14.740178121212132]
  本稿では,未監視歩行者異常事象検出における軌跡の局所化と予測の活用を提案する。 提案手法は,正常および異常な歩行者軌跡の予測誤差を利用して,空間的・時間的に異常を検出する。 実時間スケールの異なる実世界のベンチマークデータセットについて実験を行い,提案したトラジェクトリ予測に基づく異常検出パイプラインが効率的かつ効率的であることを示す。
  論文  参考訳（メタデータ） (2022-07-05T19:44:34Z)
• Out-of-Distribution Detection using Outlier Detection Methods [0.0]
  アウト・オブ・ディストリビューション検出(OOD)は、ニューラルネットワークへの異常な入力を扱う。 我々は,OOD分野の特殊手法と同じくらい信頼性の高い異常な入力を検出するために,異常検出アルゴリズムを用いる。 ニューラルネットワークの適応は不要で、検出はモデルのソフトマックススコアに基づいて行われる。
  論文  参考訳（メタデータ） (2021-08-18T16:05:53Z)
• An Efficient Approach for Anomaly Detection in Traffic Videos [30.83924581439373]
  本稿では,エッジデバイスで動作可能な映像異常検出システムのための効率的な手法を提案する。 提案手法は,シーンの変化を検出し,破損したフレームを除去するプリプロセッシングモジュールを含む。 また,新しいシーンに迅速に適応し,類似度統計量の変化を検出するシーケンシャルな変化検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-20T04:43:18Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• UC-Net: Uncertainty Inspired RGB-D Saliency Detection via Conditional Variational Autoencoders [81.5490760424213]
  データラベリングプロセスから学習することで、RGB-Dサリエンシ検出に不確実性を利用するための第1のフレームワーク(UCNet)を提案する。 そこで本研究では,サリエンシデータラベリングにヒントを得て,確率的RGB-Dサリエンシ検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-13T04:12:59Z)

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。