論文の概要: LiVeR: Lightweight Vehicle Detection and Classification in Real-Time
- arxiv url: http://arxiv.org/abs/2206.06173v1
- Date: Fri, 27 May 2022 11:04:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-19 23:32:36.404528
- Title: LiVeR: Lightweight Vehicle Detection and Classification in Real-Time
- Title（参考訳）: LiVeR:軽量車の検出とリアルタイムでの分類
- Authors: Chandra Shekhar and Jagnyashini Debadarshini and Sudipta Saha
- Abstract要約: 時間関連低コスト広帯域計測のための軽量なフレームワークを導入し,その概念を個別測定ユニットの開発に再利用する。
実験データを用いた大規模屋外計測とトレースベースシミュレーションにより,車両検出の精度は約98%,都市部における車両の分類の精度は最大93%であった。
- 参考スコア（独自算出の注目度）: 1.3448658162594602
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Detection and classification of vehicles are very significant components in
an Intelligent-Transportation System. Existing solutions not only use
heavy-weight and costly equipment, but also largely depend on constant cloud
(Internet) connectivity, as well as adequate uninterrupted power-supply. Such
dependencies make these solutions fundamentally impractical considering the
possible adversities of outdoor environment as well as requirement of
correlated wide-area operation. For practical use, apart from being technically
sound and accurate, a solution has to be lightweight, cost-effective,
easy-to-install, flexible as well as supporting efficient time-correlated
coverage over large area. In this work we propose an IoT-assisted strategy to
fulfil all these goals together. We adopt a top-down approach where we first
introduce a lightweight framework for time-correlated low-cost wide-area
measurement and then reuse the concept for developing the individual
measurement units. Our extensive outdoor measurement studies and trace-based
simulation on the empirical data show about 98% accuracy in vehicle detection
and upto 93% of accuracy in classification of the vehicles over moderately busy
urban roads.
- Abstract（参考訳）: 車両の検出と分類は、インテリジェントトランスポートシステムにおいて非常に重要なコンポーネントである。
既存のソリューションでは、重量とコストのかかる機器を使用するだけでなく、常にクラウド(インターネット)の接続と十分な電力供給に依存する。
このような依存関係は、屋外環境の可逆性や相関した広域操作の要件を考慮して、これらの解を根本的に非現実的にする。
技術的に健全で正確であることとは別に、ソリューションは軽量でコスト効率が高く、インストールが容易で、柔軟で、広範囲にわたる効率的な時間関連カバレッジをサポートする必要がある。
本研究では,これらすべての目標をまとめるIoT支援戦略を提案する。
トップダウンアプローチを採用し,まずは時間的関連のある低コスト広域計測のための軽量フレームワークを導入し,その概念を個別計測ユニットの開発に再利用した。
実験データを用いた大規模屋外計測とトレースベースシミュレーションにより,車両検出の精度は約98%,都市部における車両の分類の精度は最大93%であった。
関連論文リスト
- An Efficient Approach to Generate Safe Drivable Space by LiDAR-Camera-HDmap Fusion [13.451123257796972]
ドライビング可能な空間抽出のための自律走行車(AV)のための高精度で堅牢な認識モジュールを提案する。
我々の研究は、LiDAR、カメラ、HDマップデータ融合を利用した、堅牢で汎用的な知覚モジュールを導入している。
我々のアプローチは実際のデータセットでテストされ、その信頼性は、私たちの自律シャトルであるWATonoBusの日々の(厳しい雪の天候を含む)運用中に検証されます。
論文 参考訳（メタデータ） (2024-10-29T17:54:02Z) - V2I-Calib: A Novel Calibration Approach for Collaborative Vehicle and Infrastructure LiDAR Systems [19.919120489121987]
本稿では,V2Iキャリブレーションに新たなアプローチを導入し,知覚対象間の空間的関連情報を活用する。
この手法の中心は、車両とインフラシステムによって識別されるターゲット間の相関を定量化する、イノベーティブなOIoU(Intersection over Union)計量である。
当社のアプローチでは,親和性行列の構築を通じて,車両とインフラのLiDARシステムの認識結果における共通目標の同定を行う。
論文 参考訳（メタデータ） (2024-07-14T13:34:00Z) - Automated Static Camera Calibration with Intelligent Vehicles [58.908194559319405]
自動ジオレファレンスカメラキャリブレーションのためのロバストキャリブレーション法を提案する。
本手法では, フィルタ/RTK受信機と慣性測定ユニット(IMU)を組み合わせたキャリブレーション車両が必要である。
我々の手法は、インフラと車両の両方で記録された情報と人間との相互作用を一切必要としない。
論文 参考訳（メタデータ） (2023-04-21T08:50:52Z) - 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) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - Multi-Stream Attention Learning for Monocular Vehicle Velocity and
Inter-Vehicle Distance Estimation [25.103483428654375]
車両速度と車間距離の推定は、ADAS(Advanced driver-assistance system)と自律走行車にとって不可欠である。
近年の研究では、低コストの単眼カメラを用いて、車周りの環境をデータ駆動方式で知覚することに焦点を当てている。
MSANetは、例えば、共同走行速度と車間距離推定のための空間的特徴と文脈的特徴の異なる特徴を抽出するために提案されている。
論文 参考訳（メタデータ） (2021-10-22T06:14:12Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳（メタデータ） (2021-08-02T08:13:57Z) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Where can I drive? A System Approach: Deep Ego Corridor Estimation for
Robust Automated Driving [2.378161932344701]
本稿では, 深層学習手法を用いて, エゴレーンの乾燥可能な廊下をピクセルレベルで具体的に分類することを提案する。
当社のアプローチは, 大規模製品に適用可能なパラメータがわずか0.66万で, 計算効率を保っている。
論文 参考訳（メタデータ） (2020-04-16T13:04:18Z) - Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep
Reinforcement Learning Approach [88.45509934702913]
我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。
我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。
提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
論文 参考訳（メタデータ） (2020-02-21T07:29:15Z)
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。