論文の概要: Good Practices and A Strong Baseline for Traffic Anomaly Detection
- arxiv url: http://arxiv.org/abs/2105.03827v1
- Date: Sun, 9 May 2021 03:51:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 09:45:02.518687
- Title: Good Practices and A Strong Baseline for Traffic Anomaly Detection
- Title（参考訳）: 交通異常検出のためのグッドプラクティスと強力なベースライン
- Authors: Yuxiang Zhao, Wenhao Wu, Yue He, Yingying Li, Xiao Tan, Shifeng Chen
- Abstract要約: 本稿では,前処理,動的トラックモジュール,後処理を含む,単純で効率的なフレームワークを提案する。
提案するフレームワークは,トラフィック異常検出のためのAI NVIDIA CITY 2021のリーダボードで1位にランクされた。
- 参考スコア（独自算出の注目度）: 34.57583368563703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The detection of traffic anomalies is a critical component of the intelligent
city transportation management system. Previous works have proposed a variety
of notable insights and taken a step forward in this field, however, dealing
with the complex traffic environment remains a challenge. Moreover, the lack of
high-quality data and the complexity of the traffic scene, motivate us to study
this problem from a hand-crafted perspective. In this paper, we propose a
straightforward and efficient framework that includes pre-processing, a dynamic
track module, and post-processing. With video stabilization, background
modeling, and vehicle detection, the pro-processing phase aims to generate
candidate anomalies. The dynamic tracking module seeks and locates the start
time of anomalies by utilizing vehicle motion patterns and spatiotemporal
status. Finally, we use post-processing to fine-tune the temporal boundary of
anomalies. Not surprisingly, our proposed framework was ranked $1^{st}$ in the
NVIDIA AI CITY 2021 leaderboard for traffic anomaly detection. The code is
available at: https://github.com/Endeavour10020/AICity2021-Anomaly-Detection .
- Abstract（参考訳）: 交通異常の検出は、インテリジェントシティ交通管理システムの重要な構成要素である。
従来,様々な重要な知見が提案されてきたが,複雑な交通環境への対処は依然として課題である。
さらに、高品質なデータの欠如と交通シーンの複雑さは、この問題を手作りの観点から研究する動機となっている。
本稿では,前処理,動的トラックモジュール,後処理を含む,単純で効率的なフレームワークを提案する。
ビデオの安定化、背景モデリング、車両検出により、プロプロセスフェーズは候補異常の生成を目指している。
動的トラッキングモジュールは、車両の動作パターンと時空間状態を利用して異常の開始時刻を求め、特定する。
最後に、後処理を用いて異常の時間境界を微調整する。
予想されていたフレームワークは、nvidia ai city 2021 leaderboard for traffic anomaly detectionで1,^{st}$でランク付けされました。
https://github.com/endeavour10020/aicity2021-anomaly-detection。
関連論文リスト
- uTRAND: Unsupervised Anomaly Detection in Traffic Trajectories [5.6328191854587395]
画素空間から意味トポロジ的領域へ異常軌道予測の問題をシフトさせる uTRAND というフレームワークを提案する。
実世界で収集された異常軌跡のデータセットにおいて,uTRANDが他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-04-19T08:46:33Z) - OOSTraj: Out-of-Sight Trajectory Prediction With Vision-Positioning Denoising [49.86409475232849]
軌道予測はコンピュータビジョンと自律運転の基本である。
この分野における既存のアプローチは、しばしば正確で完全な観測データを仮定する。
本稿では,視覚的位置決め技術を利用した視線外軌道予測手法を提案する。
論文 参考訳（メタデータ） (2024-04-02T18:30:29Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳（メタデータ） (2023-01-19T08:42:40Z) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳（メタデータ） (2021-09-29T07:51:49Z) - Dual-Modality Vehicle Anomaly Detection via Bilateral Trajectory Tracing [42.03797195839054]
本稿では,異常車両のロバスト検出のためのモジュール化手法を提案する。
車両検出・追跡モジュールには, YOLOv5とマルチスケールトラッキングを採用し, 異常の局所化を行った。
NVIDIA 2021 AI City Challengeのトラック4テストセットで行われた実験では、0.9302 F1スコアと3.4039ルート平均二乗誤差(RMSE)が得られた。
論文 参考訳（メタデータ） (2021-06-09T12:04:25Z) - 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) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - Graph Convolutional Networks for traffic anomaly [4.172516437934823]
イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。
空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。
我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
論文 参考訳（メタデータ） (2020-12-25T22:36:22Z) - Anomalous Motion Detection on Highway Using Deep Learning [14.617786106427834]
本稿では,新しい異常検出データセットであるハイウェイ交通異常(HTA)データセットを提案する。
我々は、最先端のディープラーニング異常検出モデルを評価し、これらの手法に新しいバリエーションを提案する。
論文 参考訳（メタデータ） (2020-06-15T05:40:11Z) - PnPNet: End-to-End Perception and Prediction with Tracking in the Loop [82.97006521937101]
我々は、自動運転車の文脈において、共同認識と運動予測の問題に取り組む。
我々は,入力センサデータとしてエンド・ツー・エンドのモデルであるNetを提案し,各ステップのオブジェクト追跡とその将来レベルを出力する。
論文 参考訳（メタデータ） (2020-05-29T17:57:25Z) - Tracking Road Users using Constraint Programming [79.32806233778511]
本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。
提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
論文 参考訳（メタデータ） (2020-03-10T00:04:32Z)
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。