論文の概要: A data-centric weak supervised learning for highway traffic incident detection

• arxiv url: http://arxiv.org/abs/2112.09792v1
• Date: Fri, 17 Dec 2021 22:14:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 05:32:38.368131
• Title: A data-centric weak supervised learning for highway traffic incident detection
• Title（参考訳）: 道路交通インシデント検出のためのデータ中心型弱教師付き学習
• Authors: Yixuan Sun, Tanwi Mallick, Prasanna Balaprakash, Jane Macfarlane
• Abstract要約: 我々は、高速道路における交通事故検出の誤報率を低減し、精度を向上させるために、データ中心のアプローチに焦点を当てる。 我々は,インシデントデータに対する高品質なトレーニングラベルを生成するために,基礎的真理ラベルを使わずに,弱教師付き学習ワークフローを開発する。 提案した弱教師付き学習ワークフローは,高い事故検出率 (0.90) と低い誤警報率 (0.08) を達成することを示す。
• 参考スコア（独自算出の注目度）: 1.0323063834827415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using the data from loop detector sensors for near-real-time detection of traffic incidents in highways is crucial to averting major traffic congestion. While recent supervised machine learning methods offer solutions to incident detection by leveraging human-labeled incident data, the false alarm rate is often too high to be used in practice. Specifically, the inconsistency in the human labeling of the incidents significantly affects the performance of supervised learning models. To that end, we focus on a data-centric approach to improve the accuracy and reduce the false alarm rate of traffic incident detection on highways. We develop a weak supervised learning workflow to generate high-quality training labels for the incident data without the ground truth labels, and we use those generated labels in the supervised learning setup for final detection. This approach comprises three stages. First, we introduce a data preprocessing and curation pipeline that processes traffic sensor data to generate high-quality training data through leveraging labeling functions, which can be domain knowledge-related or simple heuristic rules. Second, we evaluate the training data generated by weak supervision using three supervised learning models -- random forest, k-nearest neighbors, and a support vector machine ensemble -- and long short-term memory classifiers. The results show that the accuracy of all of the models improves significantly after using the training data generated by weak supervision. Third, we develop an online real-time incident detection approach that leverages the model ensemble and the uncertainty quantification while detecting incidents. Overall, we show that our proposed weak supervised learning workflow achieves a high incident detection rate (0.90) and low false alarm rate (0.08).
• Abstract（参考訳）: 幹線道路における交通事故のリアルタイム検出にループ検出センサのデータを利用することは,交通渋滞の回避に不可欠である。 最近の教師付き機械学習は、人間ラベルインシデントデータを利用してインシデント検出のソリューションを提供しているが、偽アラームレートは実際に使用するには高すぎることが多い。 特に,人間によるインシデントのラベル付けの不整合は,教師付き学習モデルの性能に大きく影響する。 そこで我々は,道路交通事故検知の誤報率を低減し,精度を向上させるためのデータ中心の手法に注目する。 我々は,インシデントデータの高品質なトレーニングラベルを生成するための弱教師付き学習ワークフローを開発し,それらのラベルを教師付き学習装置に使用して最終検出を行う。 このアプローチは3つの段階からなる。 まず,交通センサデータを処理するデータ前処理とキュレーションパイプラインを導入し,ラベル付け機能を利用して高品質なトレーニングデータを生成する。 第2に,ランダムフォレスト,kネアレスト近傍,サポートベクターマシンアンサンブルという3つの教師付き学習モデルと長期記憶分類器を用いて,弱い監督によって生成されたトレーニングデータを評価する。 その結果,弱監視によって生成されたトレーニングデータを用いて,すべてのモデルの精度が大幅に向上した。 第3に,インシデント検出中にモデルアンサンブルと不確実性定量化を利用するオンラインリアルタイムインシデント検出手法を開発した。 提案する弱教師あり学習ワークフローは,高いインシデント検出率 (0.90) と低い偽警報率 (0.08) を実現する。

関連論文リスト

• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• A Low-cost Strategic Monitoring Approach for Scalable and Interpretable Error Detection in Deep Neural Networks [6.537257913467249]
  深層コンピュータビジョンネットワークのための高能率ランタイムモニタリング手法を提案する。 ハードウェアメモリと入力障害の両方から発生するサイレントデータの破損を効率よく検出することができる。
  論文  参考訳（メタデータ） (2023-10-31T10:45:55Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• 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)
• Little Help Makes a Big Difference: Leveraging Active Learning to Improve Unsupervised Time Series Anomaly Detection [2.1684857243537334]
  予期せぬネットワークインシデントを検出するために,多数の異常検出アルゴリズムがデプロイされている。 教師なし異常検出アルゴリズムは、しばしば過度の誤報に悩まされる。 本稿では,オペレータのフィードバックの導入とメリットをアクティブな学習に活用することを提案する。
  論文  参考訳（メタデータ） (2022-01-25T13:54:19Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• Automatic Detection of Major Freeway Congestion Events Using Wireless Traffic Sensor Data: A Machine Learning Approach [0.0]
  本稿では,高速道路交通渋滞事象の確実な検出と特徴付けのための機械学習に基づくアプローチを提案する。 速度データは最初10時間のスライディングウィンドウでタイムウインドウされ、3つのニューラルネットワークに入力される。 スライディングウィンドウは、各スローダウンイベントを複数回キャプチャし、渋滞検出の信頼性を高める。
  論文  参考訳（メタデータ） (2020-07-09T21:38:45Z)
• Training-free Monocular 3D Event Detection System for Traffic Surveillance [93.65240041833319]
  既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。 現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。 本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
  論文  参考訳（メタデータ） (2020-02-01T04:42:57Z)

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。