論文の概要: Dual-Modality Vehicle Anomaly Detection via Bilateral Trajectory Tracing
- arxiv url: http://arxiv.org/abs/2106.05003v1
- Date: Wed, 9 Jun 2021 12:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-10 15:28:48.788361
- Title: Dual-Modality Vehicle Anomaly Detection via Bilateral Trajectory Tracing
- Title(参考訳): 両側軌跡追跡によるデュアルモダリティ車両異常検出
- Authors: Jingyuan Chen, Guanchen Ding, Yuchen Yang, Wenwei Han, Kangmin Xu,
Tianyi Gao, Zhe Zhang, Wanping Ouyang, Hao Cai, Zhenzhong Chen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 42.03797195839054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic anomaly detection has played a crucial role in Intelligent
Transportation System (ITS). The main challenges of this task lie in the highly
diversified anomaly scenes and variational lighting conditions. Although much
work has managed to identify the anomaly in homogenous weather and scene, few
resolved to cope with complex ones. In this paper, we proposed a dual-modality
modularized methodology for the robust detection of abnormal vehicles. We
introduced an integrated anomaly detection framework comprising the following
modules: background modeling, vehicle tracking with detection, mask
construction, Region of Interest (ROI) backtracking, and dual-modality tracing.
Concretely, we employed background modeling to filter the motion information
and left the static information for later vehicle detection. For the vehicle
detection and tracking module, we adopted YOLOv5 and multi-scale tracking to
localize the anomalies. Besides, we utilized the frame difference and tracking
results to identify the road and obtain the mask. In addition, we introduced
multiple similarity estimation metrics to refine the anomaly period via
backtracking. Finally, we proposed a dual-modality bilateral tracing module to
refine the time further. The experiments conducted on the Track 4 testset of
the NVIDIA 2021 AI City Challenge yielded a result of 0.9302 F1-Score and
3.4039 root mean square error (RMSE), indicating the effectiveness of our
framework.
- Abstract(参考訳): 交通異常検出は知的交通システム(ITS)において重要な役割を担っている。
このタスクの主な課題は、高度に多様化した異常なシーンと変光条件にある。
多くの研究は、均質な天候やシーンの異常を特定できたが、複雑な問題に対処することには至らなかった。
本稿では,異常車両のロバスト検出のための2次元モジュラー化手法を提案する。
我々は,背景モデリング,検出による車両追跡,マスク構築,関心領域(ROI)のバックトラッキング,二重モード追跡という,統合された異常検出フレームワークを導入した。
具体的には、動き情報をフィルタリングするために背景モデルを採用し、静的情報を残して後続の車両を検知した。
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。
さらに,道路の識別とマスク取得のために,フレーム差と追跡結果を利用した。
さらに,複数の類似度推定指標を導入し,バックトラッキングにより異常期間を短縮した。
最後に, 時間を改善するために, 二重モダリティバイラテラルトレーシングモジュールを提案した。
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-scoreと3.4039 root mean square error(rmse)の結果が得られた。
関連論文リスト
- 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) - CAMO-MOT: Combined Appearance-Motion Optimization for 3D Multi-Object
Tracking with Camera-LiDAR Fusion [34.42289908350286]
3D Multi-object Track (MOT) は、連続的な動的検出時の一貫性を保証する。
LiDAR法で物体の不規則な動きを正確に追跡することは困難である。
複合外観運動最適化(CAMO-MOT)に基づく新しいカメラ-LiDAR融合3DMOTフレームワークを提案する。
論文 参考訳(メタデータ) (2022-09-06T14:41:38Z) - Minkowski Tracker: A Sparse Spatio-Temporal R-CNN for Joint Object
Detection and Tracking [53.64390261936975]
我々はオブジェクトの検出と追跡を共同で解決するスパース時間R-CNNであるMinkowski Trackerを提案する。
領域ベースCNN(R-CNN)に着想を得て,物体検出器R-CNNの第2段階として動きを追跡することを提案する。
大規模実験では,本手法の総合的な性能向上は4つの要因によることがわかった。
論文 参考訳(メタデータ) (2022-08-22T04:47:40Z) - Good Practices and A Strong Baseline for Traffic Anomaly Detection [34.57583368563703]
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。
論文 参考訳(メタデータ) (2021-05-09T03:51:37Z) - 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) - SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。
観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-08-18T03:40:25Z) - Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要なタスクである。
密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。
3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文 参考訳(メタデータ) (2020-07-30T16:39:22Z) - 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) - 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。