Fugu-MT 論文翻訳(概要): Towards Safer Transportation: a self-supervised learning approach for traffic video deraining

論文の概要: Towards Safer Transportation: a self-supervised learning approach for traffic video deraining

arxiv url: http://arxiv.org/abs/2110.07379v1
Date: Mon, 11 Oct 2021 19:17:07 GMT
ステータス: 処理完了
システム内更新日: 2021-10-15 15:13:24.616162
Title: Towards Safer Transportation: a self-supervised learning approach for traffic video deraining
Title（参考訳）: サファートランスポーテーションを目指して : 交通ビデオデライニングのための自己教師型学習アプローチ
Authors: Shuya Zong, Sikai Chen, Samuel Labi
Abstract要約: 本研究では,交通映像中の雨害を除去する2段階の自己教師型学習手法を提案する。その結果, 画像品質とピーク信号雑音比の両面から, 良好な性能を示した。
参考スコア（独自算出の注目度）: 0.9281671380673306
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Video monitoring of traffic is useful for traffic management and control, traffic counting, and traffic law enforcement. However, traffic monitoring during inclement weather such as rain is a challenging task because video quality is corrupted by streaks of falling rain on the video image, and this hinders reliable characterization not only of the road environment but also of road-user behavior during such adverse weather events. This study proposes a two-stage self-supervised learning method to remove rain streaks in traffic videos. The first and second stages address intra- and inter-frame noise, respectively. The results indicated that the model exhibits satisfactory performance in terms of the image visual quality and the Peak Signal-Noise Ratio value.
Abstract（参考訳）: 交通の監視は、交通管理と制御、交通計数、交通法執行に有用である。しかし, 降雨時の交通監視は, 映像上での降雨によって映像品質が悪化し, 道路環境だけでなく, 悪天候時の道路利用者の行動の信頼性が損なわれるため, 困難な作業である。本研究では,交通映像中の雨害を除去する2段階の自己教師型学習手法を提案する。第1段と第2段はそれぞれフレーム内ノイズとフレーム間ノイズに対処する。その結果,画像の視覚品質とピーク信号と雑音比の値において,モデルの性能は良好であった。

関連論文リスト

Traffic control using intelligent timing of traffic lights with reinforcement learning technique and real-time processing of surveillance camera images [0.0]
信号機の最適タイミングを判定し、複数のパラメータに従って適用する。 YOLOv9-Cモデルを用いた車両検出には深層学習法が用いられた。イランの車の画像にトランスファーラーニングとモデルの再訓練を併用することで、モデルの精度が向上した。
論文参考訳（メタデータ） (2024-05-22T00:04:32Z)
Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for Video Adverse Weather Removal [53.15046196592023]
ビデオの悪天候除去におけるテスト時間適応について紹介する。本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
論文参考訳（メタデータ） (2024-03-12T14:21:30Z)
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)
DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文参考訳（メタデータ） (2023-06-13T05:58:57Z)
Why current rain denoising models fail on CycleGAN created rain images in autonomous driving [1.4831974871130875]
GAN(Generative Adversarial Network)を用いた一組のクリアウェザー条件画像に雨を人工的に付加するこの人工的な雨画像の生成は、10件中7件で、人間の被験者は生成された雨画像が本物だと信じていた。第2のステップでは、このペア付きグッド/バッド気象画像データを使用して、主にCNN(Convolutional Neural Network)とVision Transformer(Vision Transformer)をベースとした2つの降雨モデルをトレーニングする。
論文参考訳（メタデータ） (2023-05-22T12:42:32Z)
DADFNet: Dual Attention and Dual Frequency-Guided Dehazing Network for Video-Empowered Intelligent Transportation [79.18450119567315]
逆の気象条件は、ビデオベースの交通監視に深刻な課題をもたらす。本稿では,リアルタイム視認性向上のための2つの注意と2つの周波数誘導型脱ハージングネットワーク(DADFNet)を提案する。
論文参考訳（メタデータ） (2023-04-19T11:55:30Z)
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)
Traffic-Net: 3D Traffic Monitoring Using a Single Camera [1.1602089225841632]
我々は,1台のCCTVトラヒックカメラを用いたリアルタイムトラヒック監視のための実用的なプラットフォームを提供する。車両・歩行者検出のためのカスタムYOLOv5ディープニューラルネットワークモデルとSORT追跡アルゴリズムの改良を行った。また、短時間・長期の時間的ビデオデータストリームに基づく階層的なトラフィックモデリングソリューションも開発している。
論文参考訳（メタデータ） (2021-09-19T16:59:01Z)
Enhanced Spatio-Temporal Interaction Learning for Video Deraining: A Faster and Better Framework [93.37833982180538]
不要な雨がビデオの可視性を阻害し、ほとんどの屋外ビジョンシステムの堅牢性を低下させるため、ビデオ排水はコンピュータビジョンの重要なタスクです。拡張時空間相互作用ネットワーク(ESTINet)と呼ばれる新しいエンドツーエンドのデラミニングフレームワークを提案する。 ESTINetは、現在の最先端ビデオの画質とスピードを大幅に向上させる。
論文参考訳（メタデータ） (2021-03-23T05:19:35Z)
DAWN: Vehicle Detection in Adverse Weather Nature Dataset [4.09920839425892]
本研究では,DAWNと呼ばれる各種気象条件下で収集した実世界の画像からなる新しいデータセットを提案する。このデータセットは、実際の交通環境から1000枚の画像を集め、霧、雪、雨、砂嵐の4つの天候条件に分けられる。このデータは,車両検知システムの性能に及ぼす悪天候の影響の解明に有効である。
論文参考訳（メタデータ） (2020-08-12T15:48:49Z)
Rain Streak Removal in a Video to Improve Visibility by TAWL Algorithm [12.056495277232118]
本研究では, 熱帯雨林の時間的外観, 広角形状, 相対的な位置に着目した3つの新しい抽出特徴を組み合わせる手法を提案する。 TAWL法では,異なる解像度とフレームレートの特徴を適応的に利用し,雨をリアルタイムに除去する。実雨と合成雨の両方の映像シーケンスを用いて実験を行い, 提案手法の性能を関連する最先端手法と比較した。
論文参考訳（メタデータ） (2020-07-10T05:07:59Z)

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。