論文の概要: Computer Vision for a Camel-Vehicle Collision Mitigation System

• arxiv url: http://arxiv.org/abs/2301.09339v1
• Date: Mon, 23 Jan 2023 09:45:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 13:53:56.676113
• Title: Computer Vision for a Camel-Vehicle Collision Mitigation System
• Title（参考訳）: ラクダ・車両衝突軽減システムのためのコンピュータビジョン
• Authors: Khalid Alnujaidi and Ghadah Alhabib
• Abstract要約: 本研究の目的は、道路上のラクダを検出するタスクにおいて、異なる物体検出モデルをテストすることである。 その結果、CenterNetは精度で最高の成績を示し、トレーニングにおいて最も効率的であった。 その計画では、田舎の道路をより安全にするためのシステムを開発することで、この作業を拡大する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the population grows and more land is being used for urbanization, ecosystems are disrupted by our roads and cars. This expansion of infrastructure cuts through wildlife territories, leading to many instances of Wildlife-Vehicle Collision (WVC). These instances of WVC are a global issue that is having a global socio-economic impact, resulting in billions of dollars in property damage and, at times, fatalities for vehicle occupants. In Saudi Arabia, this issue is similar, with instances of Camel-Vehicle Collision (CVC) being particularly deadly due to the large size of camels, which results in a 25% fatality rate [4]. The focus of this work is to test different object detection models on the task of detecting camels on the road. The Deep Learning (DL) object detection models used in the experiments are: CenterNet, EfficientDet, Faster R-CNN, and SSD. Results of the experiments show that CenterNet performed the best in terms of accuracy and was the most efficient in training. In the future, the plan is to expand on this work by developing a system to make countryside roads safer.
• Abstract（参考訳）: 人口が増加し、土地が都市化に利用されていくにつれて、私たちの道路や車によって生態系は混乱しています。 このインフラストラクチャーの拡大は野生生物の領域を縮小し、多くの野生動物と車両の衝突(wvc)を引き起こした。 これらのWVCの事例は、グローバルな社会経済的影響を持つ世界的な問題であり、数十億ドルの財産損害と、時には自動車利用者の死亡率をもたらす。 サウジアラビアでも同様で、カメル・ヴェイクル衝突(CVC)はラクダの大きさが大きいため特に致命的であり、死亡率は25%となっている[4]。 この研究の焦点は、道路上でラクダを検出するタスクに基づいて、異なる物体検出モデルをテストすることである。 実験で使用されるDeep Learning(DL)オブジェクト検出モデルは、CenterNet、EfficientDet、Faster R-CNN、SSDである。 実験の結果、CenterNetは精度で最高の性能を示し、トレーニングにおいて最も効率的であった。 将来的には、田舎道をより安全にするシステムを開発することで、この事業を拡大する計画だ。

関連論文リスト

• LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions [61.87108000328186]
  レーン検出(LD)は自律走行システムにおいて不可欠な要素であり、適応型クルーズ制御や自動車線センターなどの基本的な機能を提供している。 既存のLDベンチマークは主に、環境錯覚に対するLDモデルの堅牢性を無視し、一般的なケースを評価することに焦点を当てている。 本稿では、LDに対する環境錯覚による潜在的な脅威について検討し、LanEvilの最初の総合ベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-03T02:12:27Z)
• Maintaining and Managing Road Quality:Using MLP and DNN [0.0]
  この研究は、機械学習が道路状況の監視、時間の節約、メンテナンスの費用を自動化できることを示している。 次のステップは、これらのモデルを改善して、実際の都市でテストすることだ。
  論文  参考訳（メタデータ） (2024-05-25T11:57:50Z)
• CabiNet: Scaling Neural Collision Detection for Object Rearrangement with Procedural Scene Generation [54.68738348071891]
  私たちはまず、さまざまな日常環境において、650万以上の散らばったシーン(前よりも桁違いに多い)を生成します。 このデータから合成部分点雲をレンダリングし、それをCabiNetモデルアーキテクチャのトレーニングに使用します。 CabiNetは、オブジェクトとシーンポイントの雲を受け入れる衝突モデルである。
  論文  参考訳（メタデータ） (2023-04-18T21:09:55Z)
• Spot-the-Camel: Computer Vision for Safer Roads [0.0]
  本研究の目的は、道路上のラクダを検出するタスクにおいて、異なる物体検出モデルをテストすることである。 実験の結果, YOLOv8の精度は最高であり, トレーニングでは最も効率的であった。 その計画では、田舎の道路をより安全にするためのシステムを開発することで、この作業を拡大する。
  論文  参考訳（メタデータ） (2023-04-03T07:16:14Z)
• COPILOT: Human-Environment Collision Prediction and Localization from Egocentric Videos [62.34712951567793]
  エゴセントリックな観測から人間と環境の衝突を予測する能力は、VR、AR、ウェアラブルアシストロボットなどのアプリケーションにおける衝突回避を可能にするために不可欠である。 本稿では、ボディマウントカメラから撮影した多視点エゴセントリックビデオから、多様な環境における衝突を予測するという課題を紹介する。 衝突予測と局所化を同時に行うために,COPILOTと呼ばれるトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-10-04T17:49:23Z)
• 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)
• A Pre-study on Data Processing Pipelines for Roadside Object Detection Systems Towards Safer Road Infrastructure [1.9967512860886603]
  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。
  論文  参考訳（メタデータ） (2022-04-17T16:27:26Z)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• Computer Vision based Animal Collision Avoidance Framework for Autonomous Vehicles [0.0]
  動物はインドの道路でよく目撃されており、毎年自動車と自動車の事故が多発している。 これにより、このような事故の防止を支援するドライバーレス車両支援システムの開発が不可欠となる。 高速道路での動物検出の効率的なアプローチを開発することにより、車両と動物との衝突を回避するためのフレームワークを提案します。
  論文  参考訳（メタデータ） (2020-12-20T09:51:23Z)
• 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)
• Train in Germany, Test in The USA: Making 3D Object Detectors Generalize [59.455225176042404]
  ディープラーニングにより、LiDARやステレオカメラデータなどの3Dオブジェクト検出精度が大幅に向上した。 自動運転のためのほとんどのデータセットは、1つの国内の都市の狭い部分で収集される。 本稿では,あるデータセットから別のデータセットに3Dオブジェクト検出器を適応させる作業について考察する。
  論文  参考訳（メタデータ） (2020-05-17T00:56:18Z)

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。