論文の概要: Road Redesign Technique Achieving Enhanced Road Safety by Inpainting
with a Diffusion Model
- arxiv url: http://arxiv.org/abs/2302.07440v1
- Date: Wed, 15 Feb 2023 03:08:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-16 16:02:47.883815
- Title: Road Redesign Technique Achieving Enhanced Road Safety by Inpainting
with a Diffusion Model
- Title(参考訳): 拡散モデルによる塗装による道路安全向上のための道路再設計技術
- Authors: Sumit Mishra, Medhavi Mishra, Taeyoung Kim, and Dongsoo Har
- Abstract要約: 画像の塗装は、当局が最小限の介入で安全な道路設計を達成するのに役立つ。
画像の塗装に平均2分しかかからないため、事故のホットスポットとして分類される確率は平均11.85%低下する。
- 参考スコア(独自算出の注目度): 2.255666468574186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Road infrastructure can affect the occurrence of road accidents. Therefore,
identifying roadway features with high accident probability is crucial. Here,
we introduce image inpainting that can assist authorities in achieving safe
roadway design with minimal intervention in the current roadway structure.
Image inpainting is based on inpainting safe roadway elements in a roadway
image, replacing accident-prone (AP) features by using a diffusion model. After
object-level segmentation, the AP features identified by the properties of
accident hotspots are masked by a human operator and safe roadway elements are
inpainted. With only an average time of 2 min for image inpainting, the
likelihood of an image being classified as an accident hotspot drops by an
average of 11.85%. In addition, safe urban spaces can be designed considering
human factors of commuters such as gaze saliency. Considering this, we
introduce saliency enhancement that suggests chrominance alteration for a safe
road view.
- Abstract(参考訳): 道路インフラは道路事故の発生に影響を与える可能性がある。
そのため、事故確率の高い道路特徴の特定が不可欠である。
本稿では,現行の道路構造に最小限の介入で安全な道路設計を実現するために,当局を支援するイメージインペインティングを提案する。
画像インペインティングは、道路画像中の安全な道路要素のインペイントに基づいており、拡散モデルを用いて事故予防(ap)機能を置き換える。
オブジェクトレベルのセグメンテーションの後、事故ホットスポットの特性によって識別されたAP特徴は、人間のオペレーターによってマスクされ、安全な道路要素が塗装される。
イメージインペインティングの平均時間は2分で、事故ホットスポットに分類された画像の確率は平均11.85%低下する。
また、居酒屋などの通勤者の人的要因を考慮して、安全な都市空間を設計できる。
そこで本研究では,道路景観の色彩変化を示唆するサリーエンシ向上手法を提案する。
関連論文リスト
- NiteDR: Nighttime Image De-Raining with Cross-View Sensor Cooperative
Learning for Dynamic Driving Scenes [52.904913650645796]
夜間の運転シーンでは、不十分で不均一な照明が暗闇の中でシーンを遮蔽し、画質と可視性が低下する。
雨天時の運転シーンに適した画像デライニング・フレームワークを開発した。
雨の人工物を取り除き、風景表現を豊かにし、有用な情報を復元することを目的としている。
論文 参考訳(メタデータ) (2024-02-28T09:02:33Z) - Deep learning based black spot identification on Greek road networks [52.77024349608834]
時間的現象であるブラックスポットの識別には、地理的な位置と時間に基づく道路事故の発生の分析が含まれる。
この研究は、警察や政府発行の自動車事故レポートのデータを利用して、ギリシャの道路網の交通事故をブラックスポットの認識に焦点をあてた。
論文 参考訳(メタデータ) (2023-06-19T07:08:30Z) - Line Drawing Guided Progressive Inpainting of Mural Damages [15.663331514644318]
壁画の損傷や欠落箇所を修復して、視覚的外観を復元すること。
既存の画像塗装法の多くは、ターゲット画像のみを入力とし、損傷を直接修復して視覚的に妥当な結果を生成する傾向にある。
本稿では,線画ガイドによるプログレッシブ壁画塗装法を提案する。
論文 参考訳(メタデータ) (2022-11-12T12:22:11Z) - Road Damages Detection and Classification with YOLOv7 [0.0]
本研究は,Googleストリートビューを用いて道路被害データを収集,ラベル付けし,YOLOv7(You Only Look Once Version 7)を使用することを提案する。
提案手法は,クラウドセンシングによる道路被害検出チャレンジ (CRDDC2022, IEEE BigData 2022) に適用される。
論文 参考訳(メタデータ) (2022-10-31T18:55:58Z) - Sensing accident-prone features in urban scenes for proactive driving
and accident prevention [0.5669790037378094]
本稿では,ダッシュカムから取得したリアルタイム画像に基づいて,事故発生時の特徴を視覚的にドライバに通知する。
事故のホットスポット周辺のGoogleストリートビュー画像は、深層畳み込みニューラルネットワーク(CNN)のファミリーを訓練するために使用される
CNNは事故が発生しやすい特徴を検出し、ある都市のシーンを事故のホットスポットと非ホットスポットに分類することができる。
論文 参考訳(メタデータ) (2022-02-25T16:05:53Z) - Evaluating Computer Vision Techniques for Urban Mobility on Large-Scale,
Unconstrained Roads [25.29906312974705]
本稿では,道路安全の課題を大規模に解決するために,簡易な移動画像撮影装置を提案する。
道路上の不規則を識別するために,近年のコンピュータビジョン技術を用いている。
また、トラフィック違反を見つけるためのモバイルイメージングソリューションの適用性を実証する。
論文 参考訳(メタデータ) (2021-09-11T09:07:56Z) - Repopulating Street Scenes [59.2621467759251]
そこで本稿では,歩行者や車両などの物体を配置・非人口化・再人口化することにより,街頭シーンの画像を自動的に再構成する枠組みを提案する。
この手法の応用例としては、画像の匿名化によるプライバシー向上、自律運転のような知覚タスクのためのデータ強化などがある。
論文 参考訳(メタデータ) (2021-03-30T09:04:46Z) - Detecting Road Obstacles by Erasing Them [101.45116269051692]
画像パッチを選択して周囲の道路テクスチャに塗布し,そのパッチから障害を取り除く傾向にある。
次に、元のパッチと塗布されたパッチとの相違を認識するためにトレーニングされたネットワークを使用し、消去された障害を通知します。
論文 参考訳(メタデータ) (2020-12-25T21:56:36Z) - Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。
我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。
北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
論文 参考訳(メタデータ) (2020-12-21T18:59:12Z) - Emergent Road Rules In Multi-Agent Driving Environments [84.82583370858391]
運転環境の要素が道路ルールの出現の原因となるかを分析する。
2つの重要な要因が雑音知覚とエージェントの空間密度であることがわかった。
我々の結果は、世界中の国々が安全で効率的な運転で合意した社会道路規則を実証的に支持する。
論文 参考訳(メタデータ) (2020-11-21T09:43:50Z) - Road surface detection and differentiation considering surface damages [0.0]
本研究では, 路面形状の変動を考慮した道路検出手法を提案し, 舗装面および未舗装面を同定し, 運転安全に関係のある他の道路面の損傷その他の情報を検出する。
この結果から,低コストカメラで撮影した画像を用いても,受動的視覚をこれらの目的に活用できることが示唆された。
論文 参考訳(メタデータ) (2020-06-23T23:11:26Z)
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。