論文の概要: A Pre-study on Data Processing Pipelines for Roadside Object Detection
Systems Towards Safer Road Infrastructure
- arxiv url: http://arxiv.org/abs/2205.01783v1
- Date: Sun, 17 Apr 2022 16:27:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 00:12:45.226519
- Title: A Pre-study on Data Processing Pipelines for Roadside Object Detection
Systems Towards Safer Road Infrastructure
- Title（参考訳）: サファー道路インフラに向けた道路側物体検出システムのためのデータ処理パイプラインの事前検討
- Authors: Yinan Yu, Samuel Scheidegger, John-Fredrik Gr\"onvall, Magnus Palm,
Erik Svanberg, Johan Amoruso Wennerby, J\"org Bakker
- Abstract要約: 単車事故はスウェーデンで最も一般的な事故である。
本研究では,道路側オブジェクト検出のためのデータ処理パイプラインの実現可能性,実装,制限,スケールアップについて検討する。
本報告の目的は、安全な道路インフラとスウェーデンのビジョンゼロに向けたスケーラブルな道路側物体検出システムの実装方法を検討することである。
- 参考スコア（独自算出の注目度）: 1.9967512860886603
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Single-vehicle accidents are the most common type of fatal accidents in
Sweden, where a car drives off the road and runs into hazardous roadside
objects. Proper installation and maintenance of protective objects, such as
crash cushions and guard rails, may reduce the chance and severity of such
accidents. Moreover, efficient detection and management of hazardous roadside
objects also plays an important role in improving road safety. To better
understand the state-of-the-art and system requirements, in this pre-study, we
investigate the feasibility, implementation, limitations and scaling up of data
processing pipelines for roadside object detection. In particular, we divide
our investigation into three parts: the target of interest, the sensors of
choice and the algorithm design. The data sources we consider in this study
cover two common setups: 1) road surveying fleet - annual scans conducted by
Trafikverket, the Swedish Transport Administration, and 2) consumer vehicle -
data collected using a research vehicle from the laboratory of Resource for
vehicle research at Chalmers (REVERE). The goal of this report is to
investigate how to implement a scalable roadside object detection system
towards safe road infrastructure and Sweden's Vision Zero.
- Abstract（参考訳）: 単車事故はスウェーデンで最も一般的な事故であり、自動車が道路を走り、危険な道路沿いの物体にぶつかる事故である。
クラッシュクッションやガードレールなどの保護対象の適切な設置とメンテナンスは、そのような事故の機会と重大さを減少させる可能性がある。
また、道路の安全性向上には、危険物の検出や管理の効率化が重要な役割を担っている。
現状とシステム要件をよりよく理解するために、この事前研究では、ロードサイドオブジェクト検出のためのデータ処理パイプラインの実現可能性、実装、制限、スケールアップについて検討する。
特に,関心の対象,選択センサ,アルゴリズム設計の3つの部分に分けられる。
本研究で検討するデータソースには,2つの共通設定がある。
1)道路測量艦隊-トラフィクヴェルケト(スウェーデン運輸局)による年次調査、及び
2)chalmers (revere) の車両研究資源研究所から研究車両を用いて収集した消費者車両データ。
本報告の目的は,安全な道路インフラとスウェーデンのvision zeroに向けたスケーラブルな路面物体検出システムの実装方法を検討することである。
関連論文リスト
- LSM: A Comprehensive Metric for Assessing the Safety of Lane Detection Systems in Autonomous Driving [0.5326090003728084]
本研究では,車線検出システムの安全性を評価するため,車線安全基準(LSM)を提案する。
道路タイプや道路幅を考慮したシーンのセマンティクスなどの付加的要因を車線検出の評価に考慮すべきである。
我々は,異なるレーン検出手法を用いて,様々な仮想シナリオにおけるオフライン安全基準を評価し,最先端のパフォーマンス指標と比較した。
論文 参考訳（メタデータ） (2024-07-10T15:11:37Z) - Smart City Transportation: Deep Learning Ensemble Approach for Traffic
Accident Detection [0.0]
本稿では,スマートシティ交通監視システムにおける事故検出に適した軽量ソリューションであるI3D-CONVLSTM2Dモデルアーキテクチャを提案する。
I3D-CONVLSTM2D RGB + Optical-Flow (Trainable) モデルでは, 平均精度が87%, 平均精度が87%であった。
我々の研究は、スマート都市インフラ内のエッジIoTデバイスへのリアルタイム統合を前提とした、高度な視覚ベースの事故検出システムへの道筋を照らしている。
論文 参考訳（メタデータ） (2023-10-16T03:47:08Z) - 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) - Perspective Aware Road Obstacle Detection [104.57322421897769]
道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。
画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。
次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
論文 参考訳（メタデータ） (2022-10-04T17:48:42Z) - TAD: A Large-Scale Benchmark for Traffic Accidents Detection from Video
Surveillance [2.1076255329439304]
既存の交通事故のデータセットは小規模で、監視カメラからではなく、オープンソースではない。
様々な次元による統合とアノテーションの後に,TADという大規模交通事故データセットが提案されている。
論文 参考訳（メタデータ） (2022-09-26T03:00:50Z) - 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) - 3D Object Detection for Autonomous Driving: A Comprehensive Survey [48.30753402458884]
自動運転車の近くで重要な3Dオブジェクトの位置、サイズ、カテゴリをインテリジェントに予測する3Dオブジェクト検出は、認識システムの重要な部分である。
本稿では,自律運転における3次元物体検出技術の進歩を概観する。
論文 参考訳（メタデータ） (2022-06-19T19:43:11Z) - Hindsight is 20/20: Leveraging Past Traversals to Aid 3D Perception [59.2014692323323]
小さな、遠く、あるいは非常に隠蔽された物体は、検出するためのLiDAR点雲に限られた情報があるため、特に困難である。
本稿では,過去データから文脈情報を抽出する,エンドツーエンドのトレーニング可能な新しいフレームワークを提案する。
このフレームワークは現代のほとんどの3D検出アーキテクチャと互換性があり、複数の自律走行データセットの平均精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2022-03-22T00:58:27Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - Urban Traffic Monitoring and Modeling System: An IoT Solution for
Enhancing Road Safety [0.0]
カタールは2022年のワールドカップで100万人以上の訪問者が訪れると予想している。
交通渋滞や交通事故、自動車事故、負傷者、死亡者の増加が予想される。
ナチュラティスティックドライバの挙動を利用して、データを収集して分析し、現在のカタール交通システムを見積もる。
論文 参考訳（メタデータ） (2020-03-05T23:57:47Z)
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。