論文の概要: CycleSense: Detecting Near Miss Incidents in Bicycle Traffic from Mobile Motion Sensors

• arxiv url: http://arxiv.org/abs/2204.10416v1
• Date: Thu, 21 Apr 2022 21:43:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-25 14:44:48.482667
• Title: CycleSense: Detecting Near Miss Incidents in Bicycle Traffic from Mobile Motion Sensors
• Title（参考訳）: cyclesense:モバイルモーションセンサによる自転車交通の近距離ミス検出
• Authors: Ahmet-Serdar Karakaya and Thomas Ritter and Felix Biessmann and David Bermbach
• Abstract要約: 世界中の都市では、自動車は健康と交通の問題を引き起こし、自転車のモルタルシェアの増加によって部分的に緩和される可能性がある。 しかし、多くの人々は、認識された安全性の欠如のためにサイクリングを避けます。 都市計画者にとって、サイクリストが安全な場所やそうでない場所についての洞察が欠けているため、この問題に対処することは難しい。
• 参考スコア（独自算出の注目度）: 3.5127092215732176
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In cities worldwide, cars cause health and traffic problems which could be partly mitigated through an increased modal share of bicycles. Many people, however, avoid cycling due to a lack of perceived safety. For city planners, addressing this is hard as they lack insights into where cyclists feel safe and where they do not. To gain such insights, we have in previous work proposed the crowdsourcing platform SimRa, which allows cyclists to record their rides and report near miss incidents via a smartphone app. In this paper, we present CycleSense, a combination of signal processing and Machine Learning techniques, which partially automates the detection of near miss incidents. Using the SimRa data set, we evaluate CycleSense by comparing it to a baseline method used by SimRa and show that it significantly improves incident detection.
• Abstract（参考訳）: 世界中の都市では、自動車は健康と交通の問題を招き、自転車のシェアを増加させることで部分的に軽減することができる。 しかし、安全性が欠如しているため、サイクリングを避ける人は多い。 都市計画者にとって、サイクリストが安全な場所やそうでない場所についての洞察が欠けているため、この問題に対処することは難しい。 このような洞察を得るために、私たちは以前クラウドソーシングプラットフォームであるSimRaを提案しました。 本稿では,信号処理と機械学習を組み合わせたcyclesenseを提案する。 SimRaデータセットを用いて,SimRaが使用するベースライン手法と比較することにより,CycleSenseを評価し,インシデント検出を大幅に改善することを示す。

関連論文リスト

• CycleCrash: A Dataset of Bicycle Collision Videos for Collision Prediction and Analysis [21.584020544141797]
  CycleCrashは、3000のダッシュカムビデオと436,347フレームからなる新しいデータセットだ。 このデータセットは、サイクリストにとって潜在的に危険な条件に焦点を当てた、9つの異なるサイクリスト衝突予測と分類タスクを可能にする。 本稿では,ConvNeXt空間エンコーダと非定常トランスフォーマーを併用した新しい手法であるVidNeXtを提案する。
  論文  参考訳（メタデータ） (2024-09-30T04:46:35Z)
• Pedestrian Environment Model for Automated Driving [54.16257759472116]
  歩行者の位置とポーズ情報を含む環境モデルを提案する。 画像から人間のポーズ推定器を用いて骨格情報を抽出する。 位置の3D情報を得るために,車両の位置と合わせて連続するフレームからデータを集約する。
  論文  参考訳（メタデータ） (2023-08-17T16:10:58Z)
• UniSim: A Neural Closed-Loop Sensor Simulator [76.79818601389992]
  センサ搭載車両によって記録された1つのログをキャプチャする、ニューラルネットワークシミュレータUniSimを提示する。 UniSimは、静的バックグラウンドと動的アクターの両方を再構築するために、ニューラルネットワーク機能グリッドを構築する。 動的オブジェクトの学習可能な事前情報を組み込んで、畳み込みネットワークを利用して未確認領域を完成させる。
  論文  参考訳（メタデータ） (2023-08-03T17:56:06Z)
• A Benchmark for Cycling Close Pass Near Miss Event Detection from Video Streams [35.17510169229505]
  我々はCyc-CPと呼ばれる新しいベンチマークを導入し、ビデオストリームからのミスイベント検出に近づいた近距離通過をサイクリングする。 これら2つの問題に対するディープラーニング技術に基づくベンチマークモデルを提案する。 我々のモデルは実世界のデータセットで88.13%と84.60%の精度を達成できる。
  論文  参考訳（メタデータ） (2023-04-24T07:30:01Z)
• Bent & Broken Bicycles: Leveraging synthetic data for damaged object re-identification [59.80753896200009]
  変形や欠落による視覚的外観の変化と微妙なクラス内変化を区別することを目的とした,損傷対象の再識別の新たな課題を提案する。 我々は、コンピュータ生成画像のパワーを活用して、半自動で、損傷前後に同じ自転車の高品質な合成画像を作成する。 このタスクのベースラインとして,マルチタスクでトランスフォーマーをベースとしたディープネットワークであるTransReI3Dを提案する。
  論文  参考訳（メタデータ） (2023-04-16T20:23:58Z)
• ROCO: A Roundabout Traffic Conflict Dataset [65.55451440776098]
  実世界のトラフィック競合データセットであるROCOを導入し分析する。 データはミシガン州アンアーバーのセント・セントとW・エルズワースの交差点にある2車線のラウンドアラウンドで収集される。 2021年8月から2021年10月までの合計557回の交通事故と17回の交通事故が収集された。
  論文  参考訳（メタデータ） (2023-03-01T15:09:45Z)
• Monocular Cyclist Detection with Convolutional Neural Networks [0.0]
  本研究は,盲点に対する運転者の注意不足に起因する車両と自転車の衝突回数を減らすことを目的としている。 我々は、物体検出畳み込みニューラルネットワークを用いてサイクリストを検出できる最先端のリアルタイム単眼サイクリスト検出を設計した。 このサイクリスト検出装置は、サイクリストを正確にかつ迅速に検出し、サイクリストの安全性を大幅に向上させる可能性があると結論付けている。
  論文  参考訳（メタデータ） (2023-01-16T13:54:13Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• CyclingNet: Detecting cycling near misses from video streams in complex urban scenes with deep learning [1.462434043267217]
  CyclingNetは、自己注意型双方向長短メモリ(LSTM)ブロックに埋め込まれた畳み込み構造に基づく深層コンピュータビジョンモデルである。 1つのGPUで42時間トレーニングした後、モデルはトレーニング、テスト、バリデーションセットに対して高い精度を示す。 このモデルは、都市のサイクリング行動に関する重要な結論を導く情報を生成するために使用されることを意図している。
  論文  参考訳（メタデータ） (2021-01-31T23:59:28Z)
• SimRa: Using Crowdsourcing to Identify Near Miss Hotspots in Bicycle Traffic [0.0]
  SimRaは,スマートフォンによるクラウドソーシングを利用して,自転車のルートや事故現場のデータを収集するプラットフォームである。 また、収集したデータに基づいて、危険に近いホットスポットを識別し、スコアリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-15T15:29:52Z)
• Learning by Cheating [72.9701333689606]
  この難解な学習問題を2段階に分解することで単純化できることを示す。 提案手法を用いて、視覚に基づく自律運転システムの訓練を行い、芸術の状況を大幅に上回っている。 提案手法は,従来のCARLAベンチマークのすべてのタスクにおける100%の成功率を初めて達成し,NoCrashベンチマークに新しい記録を樹立し,従来の技術と比較すると,屈折率を桁違いに低減する。
  論文  参考訳（メタデータ） (2019-12-27T18:59:04Z)

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。