Fugu-MT 論文翻訳(概要): Vehicle-counting with Automatic Region-of-Interest and Driving-Trajectory detection

論文の概要: Vehicle-counting with Automatic Region-of-Interest and Driving-Trajectory detection

arxiv url: http://arxiv.org/abs/2108.07135v1
Date: Mon, 16 Aug 2021 15:13:06 GMT
ステータス: 処理完了
システム内更新日: 2021-08-17 15:22:22.011618
Title: Vehicle-counting with Automatic Region-of-Interest and Driving-Trajectory detection
Title（参考訳）: 関心領域の自動計測と運転軌道検出
Authors: Malolan Vasu, Nelson Abreu, Raysa V\'asquez and Christian L\'opez
Abstract要約: この研究は、カメラの関心領域を自動的に識別する交通ビデオから車両をカウントする方法を導入している。この方法は、発展途上国で頻繁に使用されるPan-Tilt-Zoomカメラでの使用が可能である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Vehicle counting systems can help with vehicle analysis and traffic incident detection. Unfortunately, most existing methods require some level of human input to identify the Region of interest (ROI), movements of interest, or to establish a reference point or line to count vehicles from traffic cameras. This work introduces a method to count vehicles from traffic videos that automatically identifies the ROI for the camera, as well as the driving trajectories of the vehicles. This makes the method feasible to use with Pan-Tilt-Zoom cameras, which are frequently used in developing countries. Preliminary results indicate that the proposed method achieves an average intersection over the union of 57.05% for the ROI and a mean absolute error of just 17.44% at counting vehicles of the traffic video cameras tested.
Abstract（参考訳）: 車両カウントシステムは、車両分析と交通インシデント検出に役立つ。残念ながら、既存のほとんどの方法は、関心領域(ROI)、関心の動き、または交通カメラから車両を数えるための基準点または線を確立するために、ある程度のレベルの人間入力を必要とする。この研究は、カメラのROIを自動的に識別する交通ビデオから車両をカウントする方法と、車両の走行軌跡を紹介する。これにより、発展途上国で頻繁に使われているPan-Tilt-Zoomカメラで使用することができる。予備的な結果は、提案手法がROIの57.05%を平均的に交わり、テストしたトラヒックビデオカメラの車両数で平均17.44%の絶対誤差を達成したことを示している。

関連論文リスト

Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文参考訳（メタデータ） (2024-10-10T10:10:03Z)
MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文参考訳（メタデータ） (2023-10-08T21:32:30Z)
OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
論文参考訳（メタデータ） (2023-04-20T16:31:22Z)
Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。両センサと融合に関する概念と特徴を提示する。本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文参考訳（メタデータ） (2023-03-08T00:48:32Z)
A Real-Time Wrong-Way Vehicle Detection Based on YOLO and Centroid Tracking [0.0]
誤運転は、世界中の道路事故や交通渋滞の主な原因の1つである。本稿では,道路監視カメラによる車両自動検知システムを提案する。
論文参考訳（メタデータ） (2022-10-19T00:53:28Z)
Threat Detection In Self-Driving Vehicles Using Computer Vision [0.0]
ダッシュカムビデオを用いた自動運転車の脅威検出機構を提案する。オブジェクトを識別するためのYOLO,高度な車線検出アルゴリズム,カメラからの距離を測定するマルチレグレッションモデルという,4つの主要なコンポーネントがある。提案した脅威検出モデル(TDM)の最終的な精度は82.65%である。
論文参考訳（メタデータ） (2022-09-06T12:01:07Z)
Real-Time Accident Detection in Traffic Surveillance Using Deep Learning [0.8808993671472349]
本稿では,交通監視用交差点における事故検出のための新しい効率的な枠組みを提案する。提案手法は,最先端のYOLOv4法に基づく効率的かつ高精度な物体検出を含む,3つの階層的なステップから構成される。提案フレームワークのロバスト性は,様々な照明条件でYouTubeから収集した映像シーケンスを用いて評価する。
論文参考訳（メタデータ） (2022-08-12T19:07:20Z)
Cross-Camera Feature Prediction for Intra-Camera Supervised Person Re-identification across Distant Scenes [70.30052164401178]
人物再識別(Re-ID)は、重複しないカメラビュー間で人物画像をマッチングすることを目的としている。 ICS-DS Re-IDは、カメラ内IDラベル付きクロスカメラアンペアデータを使用してトレーニングを行う。カメラ横断型自己監視情報マイニングのためのクロスカメラ特徴予測法グローバルレベルの特徴とローカルレベルの特徴の合同学習は、グローバルなローカルなクロスカメラ特徴予測スキームを形成する。
論文参考訳（メタデータ） (2021-07-29T11:27:50Z)
End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文参考訳（メタデータ） (2021-04-28T07:54:40Z)
Vehicle trajectory prediction in top-view image sequences based on deep learning method [1.181206257787103]
周囲の車両の動きを推定し予測することは、自動車両と高度な安全システムにとって不可欠である。道路の空中画像から得られた画像から学習した計算複雑性の低いモデルを提案する。提案モデルでは, 対象車両とその周辺車両の移動履歴に関する画像を見るだけで, 自動車の将来の進路を予測できる。
論文参考訳（メタデータ） (2021-02-02T20:48:19Z)
Computer Vision based Accident Detection for Autonomous Vehicles [0.0]
ダッシュボードカメラを用いて車両事故を検出する自動運転支援システムを提案する。このフレームワークは、ダッシュカム映像のカスタムデータセットでテストされ、誤報率を低く保ちながら、高い事故検出率を達成する。
論文参考訳（メタデータ） (2020-12-20T08:51:10Z)

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。