論文の概要: Deep Learning Serves Traffic Safety Analysis: A Forward-looking Review
- arxiv url: http://arxiv.org/abs/2203.10939v1
- Date: Mon, 7 Mar 2022 17:21:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-27 12:41:39.124030
- Title: Deep Learning Serves Traffic Safety Analysis: A Forward-looking Review
- Title（参考訳）: Deep Learningが交通安全分析を専門に:前向きなレビュー
- Authors: Abolfazl Razi, Xiwen Chen, Huayu Li, Brendan Russo, Yan Chen, Hongbin
Yu
- Abstract要約: 本稿では,トラヒックビデオの理解と解釈に使用できる,典型的な処理パイプラインを提案する。
この処理フレームワークは、ビデオ強調、ビデオ安定化、セマンティックおよびインシデントセグメンテーション、オブジェクト検出と分類、軌道抽出、速度推定、イベント分析、モデリング、異常検出を含む。
- 参考スコア（独自算出の注目度）: 4.228522109021283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper explores Deep Learning (DL) methods that are used or have the
potential to be used for traffic video analysis, emphasizing driving safety for
both Autonomous Vehicles (AVs) and human-operated vehicles. We present a
typical processing pipeline, which can be used to understand and interpret
traffic videos by extracting operational safety metrics and providing general
hints and guidelines to improve traffic safety. This processing framework
includes several steps, including video enhancement, video stabilization,
semantic and incident segmentation, object detection and classification,
trajectory extraction, speed estimation, event analysis, modeling and anomaly
detection. Our main goal is to guide traffic analysts to develop their own
custom-built processing frameworks by selecting the best choices for each step
and offering new designs for the lacking modules by providing a comparative
analysis of the most successful conventional and DL-based algorithms proposed
for each step. We also review existing open-source tools and public datasets
that can help train DL models. To be more specific, we review exemplary traffic
problems and mentioned requires steps for each problem. Besides, we investigate
connections to the closely related research areas of drivers' cognition
evaluation, Crowd-sourcing-based monitoring systems, Edge Computing in roadside
infrastructures, ADS-equipped AVs, and highlight the missing gaps. Finally, we
review commercial implementations of traffic monitoring systems, their future
outlook, and open problems and remaining challenges for widespread use of such
systems.
- Abstract（参考訳）: 本稿では,自律走行車(AV)と人間運転車の両方の運転安全性を強調し,交通映像解析に使用されるか,あるいは使用される可能性がある深層学習(DL)手法について検討する。
本稿では,運用上の安全性指標を抽出し,交通安全向上のための一般的なヒントとガイドラインを提供することにより,交通映像の理解と解釈に使用可能な典型的な処理パイプラインを提案する。
この処理フレームワークは、ビデオエンハンスメント、ビデオ安定化、セマンティクスとインシデントセグメンテーション、オブジェクト検出と分類、軌道抽出、速度推定、イベント分析、モデリング、異常検出を含むいくつかのステップを含む。
我々の主な目標は、トラフィックアナリストに、各ステップに最適な選択を選択し、各ステップに提案される最も成功した従来のDLベースのアルゴリズムの比較分析を提供することで、モジュールの欠如に対する新しい設計を提供することによって、独自のカスタムビルド処理フレームワークを開発するよう誘導することである。
また、DLモデルのトレーニングに役立つ既存のオープンソースツールや公開データセットについてもレビューします。
より具体的に言うと、私たちは模範的なトラフィック問題をレビューし、それぞれの問題に対してステップを必要とします。
さらに,運転者の認知評価,クラウドソーシングに基づく監視システム,道路インフラストラクチャにおけるエッジコンピューティング,ADS搭載のAVといった,密接に関連する研究領域との関係について検討し,不足するギャップを明らかにする。
最後に,交通監視システムの商用化,今後の展望,オープンな問題,そしてそのようなシステムの普及に向けた課題について検討する。
関連論文リスト
- Generic Multi-modal Representation Learning for Network Traffic Analysis [6.372999570085887]
ネットワークトラフィック分析は、ネットワーク管理、トラブルシューティング、セキュリティに不可欠である。
異なるユースケースを解決できる柔軟なマルチモーダルオートエンコーダ(MAE)パイプラインを提案する。
我々は、MAEアーキテクチャは汎用的であり、複数のシナリオで有用な表現の学習に使用できると論じる。
論文 参考訳（メタデータ） (2024-05-04T12:24:29Z) - A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳（メタデータ） (2024-03-11T16:42:29Z) - AccidentGPT: Large Multi-Modal Foundation Model for Traffic Accident
Analysis [3.8763079966791523]
AccidentGPTは交通事故解析の基礎モデルである。
マルチモーダルな入力データを組み込んで、動的詳細で事故処理ビデオを自動的に再構築する。
論文 参考訳（メタデータ） (2024-01-05T19:33:21Z) - An Explainable Ensemble-based Intrusion Detection System for Software-Defined Vehicle Ad-hoc Networks [0.0]
本研究では,アンサンブルに基づく機械学習による車両ネットワークにおけるサイバー脅威の検出について検討する。
我々は,Random Forest と CatBoost を主要な研究者として用いたモデルを提案し,ロジスティック回帰を用いて最終的な決定を下す。
我々は,本手法が分類精度を向上し,過去の研究に比べて誤分類が少ないことを観察した。
論文 参考訳（メタデータ） (2023-12-08T10:39:18Z) - A Study of Situational Reasoning for Traffic Understanding [63.45021731775964]
トラフィック領域における状況推論のための3つの新しいテキストベースのタスクを考案する。
先行作業における言語推論タスクにまたがる一般化能力を示す知識強化手法を4つ採用する。
本稿では,データ分割におけるモデル性能の詳細な解析を行い,モデル予測を分類的に検討する。
論文 参考訳（メタデータ） (2023-06-05T01:01:12Z) - Advances and Applications of Computer Vision Techniques in Vehicle
Trajectory Generation and Surrogate Traffic Safety Indicators [0.0]
本稿では、サロゲート安全対策(SSM)を用いた交通安全モデリングにおけるコンピュータビジョン(CV)技術の適用について概観する。
車両の検知と追跡に使用されるCVアルゴリズムについて,最先端モデルへの早期アプローチについて要約する。
車両軌道データに対するSSMの検討と交通安全解析への応用について述べる。
論文 参考訳（メタデータ） (2023-03-27T14:13:02Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - Towards formalization and monitoring of microscopic traffic parameters
using temporal logic [1.3706331473063877]
本稿では,形式言語Signal Temporal Logicを用いた交通ネットワーク解析のための仕様ベースのモニタリング手法を提案する。
我々は、速度制限に適合し、適切な進路を維持するなど、安全関連行動を特定するモニターを開発する。
この作業は交通管理センターがトラヒックストリーム特性を調査し、ハザードを特定し、トラヒック監視システムを自動化する上で貴重なフィードバックを提供するために利用することができる。
論文 参考訳（メタデータ） (2021-10-12T17:59:26Z) - A First Look at Class Incremental Learning in Deep Learning Mobile
Traffic Classification [68.11005070665364]
インクリメンタルラーニング(IL)技術を使って、モデルに新しいクラスをフルリトレーニングせずに追加し、モデルのアップデートサイクルを高速化します。
iCarlはアートILメソッドのステートであり、MIRAGE-2019は40のAndroidアプリからのトラフィックを持つパブリックデータセットである。
解析によってその初期段階が明らかになっているにもかかわらず、IL技術は自動DLベースの交通分析システムへのロードマップに関する有望な研究分野である。
論文 参考訳（メタデータ） (2021-07-09T14:28:16Z) - 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) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z)
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。