論文の概要: Leveraging Structure from Motion to Localize Inaccessible Bus Stops
- arxiv url: http://arxiv.org/abs/2210.03646v1
- Date: Fri, 7 Oct 2022 15:55:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 14:28:24.585970
- Title: Leveraging Structure from Motion to Localize Inaccessible Bus Stops
- Title（参考訳）: 移動からの活用によるアクセス不能バス停のローカライズ
- Authors: Indu Panigrahi, Tom Bu, Christoph Mertz
- Abstract要約: 本稿では,バス路線沿いの積雪歩道の検出について検討する。
本稿では、付加的な注釈付きデータではなく、Structure from Motion(SfM)を利用する手法を提案する。
本手法は,道路沿いの積雪への適用を実証するが,他の危険条件にも適用できる。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of hazardous conditions near public transit stations is
necessary for ensuring the safety and accessibility of public transit. Smart
city infrastructures aim to facilitate this task among many others through the
use of computer vision. However, most state-of-the-art computer vision models
require thousands of images in order to perform accurate detection, and there
exist few images of hazardous conditions as they are generally rare. In this
paper, we examine the detection of snow-covered sidewalks along bus routes.
Previous work has focused on detecting other vehicles in heavy snowfall or
simply detecting the presence of snow. However, our application has an added
complication of determining if the snow covers areas of importance and can
cause falls or other accidents (e.g. snow covering a sidewalk) or simply covers
some background area (e.g. snow on a neighboring field). This problem involves
localizing the positions of the areas of importance when they are not
necessarily visible.
We introduce a method that utilizes Structure from Motion (SfM) rather than
additional annotated data to address this issue. Specifically, our method
learns the locations of sidewalks in a given scene by applying a segmentation
model and SfM to images from bus cameras during clear weather. Then, we use the
learned locations to detect if and where the sidewalks become obscured with
snow. After evaluating across various threshold parameters, we identify an
optimal range at which our method consistently classifies different categories
of sidewalk images correctly. Although we demonstrate an application for snow
coverage along bus routes, this method can extend to other hazardous conditions
as well. Code for this project is available at
https://github.com/ind1010/SfM_for_BusEdge.
- Abstract（参考訳）: 公共交通機関の安全とアクセシビリティを確保するためには,公共交通駅付近の危険条件の検出が必要である。
スマートシティインフラストラクチャーは、コンピュータビジョンを利用することで、このタスクを他の多くの人々の間で促進することを目指している。
しかし、ほとんどの最先端のコンピュータビジョンモデルは、正確な検出を行うために何千もの画像を必要とし、一般的に稀な危険条件の画像はほとんど存在しない。
本稿では,バス路線沿いの積雪歩道の検出について検討する。
これまでは、大雪や単に雪の存在を検出することに注力してきた。
しかし, 積雪が重要地域をカバーし, 転倒などの事故(歩道を覆っている雪など)を引き起こすか, あるいは単に背景地域(近隣の積雪など)を覆っているか, という問題も生じている。
この問題は、必ずしも見えないときに重要領域の位置をローカライズすることである。
本稿では,この問題に対処するための注釈付きデータではなく,Structure from Motion (SfM) を利用する手法を提案する。
具体的には,晴天時のバスカメラ画像にセグメンテーションモデルとSfMを適用し,特定のシーンにおける歩道の位置を学習する。
そして、学習した場所を用いて、歩道が雪で隠れているかどうかを検知する。
様々なしきい値から評価した後,提案手法が常に歩道画像のカテゴリを正しく分類する最適範囲を同定する。
本手法は,道路沿いの積雪への適用を実証するが,他の危険条件にも適用できる。
このプロジェクトのコードはhttps://github.com/ind1010/sfm_for_busedgeで入手できる。
関連論文リスト
- Nordic Vehicle Dataset (NVD): Performance of vehicle detectors using
newly captured NVD from UAV in different snowy weather conditions [1.7452931180966467]
ドローン画像における車両検出と認識は、異なる安全目的のために使用されている複雑な問題である。
様々な気象条件下での車両の検出と追跡に様々な技術が用いられている。
積雪の車両検出はまだ初期段階だ データが不足しているため
本研究は,北欧地域の様々な積雪条件下で,UAVが捉えた車両のデータを提供することによって,このギャップに対処することを目的とする。
論文 参考訳（メタデータ） (2023-04-27T18:55:43Z) - Road Detection in Snowy Forest Environment using RGB Camera [0.0]
本稿では,RGBカメラを用いた森林環境における雪道の検出について紹介する。
画像成分を分類するために、ノイズフィルタリング技術と形態演算を組み合わせる。
False Negative RateとFalse Positive Rateの2つの誤差値でアルゴリズムの性能を評価する。
論文 参考訳（メタデータ） (2022-12-16T14:49:27Z) - Image-to-Image Translation for Autonomous Driving from Coarsely-Aligned
Image Pairs [57.33431586417377]
自動運転車は悪天候に対処して安全に運転できなければならない。
本稿では,センサ入力を悪条件で捕捉した入力を良質な入力に変換するという考え方について検討する。
我々は、粗い整列学習方式により、画像翻訳の質が向上し、下流タスクが改善されていることを示す。
論文 参考訳（メタデータ） (2022-09-23T16:03:18Z) - Location-Free Camouflage Generation Network [82.74353843283407]
カモフラージュ(Camouflage)は一般的な視覚現象で、前景の物体を背景のイメージに隠すことで、人間の目からは一時的に見えなくなる。
本稿では,前景と背景像の高次特徴を融合させ,一つの推論によって結果を生成する,ロケーションフリーなカモフラージュ生成ネットワーク(LCG-Net)を提案する。
実験により,本手法は単一外観領域における最先端技術と同程度に良好であり,完全に見えない可能性が低いが,多外観領域における最先端技術の品質をはるかに上回っていることが示された。
論文 参考訳（メタデータ） (2022-03-18T10:33:40Z) - Structured Bird's-Eye-View Traffic Scene Understanding from Onboard
Images [128.881857704338]
本研究では,BEV座標における局所道路網を表す有向グラフを,単眼カメラ画像から抽出する問題について検討する。
提案手法は,BEV平面上の動的物体を検出するために拡張可能であることを示す。
我々は、強力なベースラインに対するアプローチを検証するとともに、ネットワークが優れたパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2021-10-05T12:40:33Z) - Deep Dense Multi-scale Network for Snow Removal Using Semantic and
Geometric Priors [78.61844008368587]
本研究では, 積雪除去のための深度多スケールネットワーク (textbfDDMSNet) を提案する。
セマンティクスマップと幾何マップを入力として取り入れ,セマンティクス・アウェア表現と幾何アウェア表現を学習して雪を取り除く。
論文 参考訳（メタデータ） (2021-03-21T03:30:30Z) - Snowy Night-to-Day Translator and Semantic Segmentation Label Similarity
for Snow Hazard Indicator [0.0]
2021年、日本は通常の3倍以上の降雪を記録したため、道路利用者は危険な状況に遭遇する可能性がある。
本論文では,夜間の雪像から路面領域が生成されることを,雪害指標を自動化する手法を提案する。
論文 参考訳（メタデータ） (2021-02-28T16:08:07Z) - Road Surface Translation Under Snow-covered and Semantic Segmentation
for Snow Hazard Index [0.0]
本研究では,雪害率を自動計算する実画像後処理を用いた深層学習アプリケーションを提案する。
これらの学習したネットワークに基づき,道路表面の積雪量を示す道路から積雪までのハザード指数を自動的に計算する。
論文 参考訳（メタデータ） (2021-01-14T14:25:12Z) - End-to-End Deep Structured Models for Drawing Crosswalks [98.9901717499058]
我々は、両方の入力を地上に投影し、シーンのトップダウンビューを生成します。
次に,畳み込みニューラルネットワークを用いて横断歩道の位置に関する意味的手がかりを抽出する。
大都市での横断歩道実験では96.6%の自動化が可能であった。
論文 参考訳（メタデータ） (2020-12-21T18:59:08Z) - BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in
Unstructured Driving Environments [54.22535063244038]
非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。
本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
論文 参考訳（メタデータ） (2020-09-22T08:25:44Z) - DAWN: Vehicle Detection in Adverse Weather Nature Dataset [4.09920839425892]
本研究では,DAWNと呼ばれる各種気象条件下で収集した実世界の画像からなる新しいデータセットを提案する。
このデータセットは、実際の交通環境から1000枚の画像を集め、霧、雪、雨、砂嵐の4つの天候条件に分けられる。
このデータは,車両検知システムの性能に及ぼす悪天候の影響の解明に有効である。
論文 参考訳（メタデータ） (2020-08-12T15:48:49Z)
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。