論文の概要: Monocular Cyclist Detection with Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2303.11223v2
• Date: Tue, 13 Feb 2024 01:45:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 20:05:15.119249
• Title: Monocular Cyclist Detection with Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた単眼サイクリスト検出
• Authors: Charles Tang
• Abstract要約: 本研究は,盲点に対する運転者の注意不足に起因する車両と自転車の衝突回数を減らすことを目的としている。 我々は、物体検出畳み込みニューラルネットワークを用いてサイクリストを検出できる最先端のリアルタイム単眼サイクリスト検出を設計した。 このサイクリスト検出装置は、サイクリストを正確にかつ迅速に検出し、サイクリストの安全性を大幅に向上させる可能性があると結論付けている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cycling is an increasingly popular method of transportation for sustainability and health benefits. However, cyclists face growing risks, especially when encountering large vehicles on the road. This study aims to reduce the number of vehicle-cyclist collisions, which are often caused by poor driver attention to blind spots. To achieve this, we designed a state-of-the-art real-time monocular cyclist detection that can detect cyclists with object detection convolutional neural networks, such as EfficientDet Lite and SSD MobileNetV2. First, our proposed cyclist detection models achieve greater than 0.900 mAP (IoU: 0.5), fine-tuned on a newly proposed cyclist image dataset comprising over 20,000 images. Next, the models were deployed onto a Google Coral Dev Board mini-computer with a camera module and analyzed for speed, reaching inference times as low as 15 milliseconds. Lastly, the end-to-end cyclist detection device was tested in real-time to model traffic scenarios and analyzed further for performance and feasibility. We concluded that this cyclist detection device can accurately and quickly detect cyclists and has the potential to improve cyclist safety significantly. Future studies could determine the feasibility of the proposed device in the vehicle industry and improvements to cyclist safety over time.
• Abstract（参考訳）: サイクリングは持続可能性と健康上の利益のために輸送手段として人気が高まっている。 しかし、特に道路で大型車両に遭遇した場合、サイクリストは増加するリスクに直面します。 本研究は,盲点に対する運転者の注意不足に起因する車両と自転車の衝突回数を減らすことを目的としている。 そこで我々は,物体検出畳み込みニューラルネットワーク(EfficientDet Lite や SSD MobileNetV2 など)でサイクリストを検出可能な,最先端のリアルタイム単眼サイクリスト検出を設計した。 まず,提案する自転車検出モデルは,2万以上の画像からなる新たに提案された自転車用画像データセット上で,0.900map (iou: 0.5) 以上を達成している。 次に、カメラモジュールを備えたGoogle Coral Dev Boardミニコンピュータにモデルが展開され、速度を解析して15ミリ秒の推論時間に達した。 最後に、エンドツーエンドのサイクリスト検出装置をリアルタイムでテストしてトラフィックシナリオをモデル化し、パフォーマンスと実現可能性についてさらに分析した。 サイクリスト検出装置は、サイクリストを正確にかつ迅速に検出でき、サイクリストの安全性を著しく向上させる可能性があると結論づけた。 今後の研究により、自動車業界における提案装置の実現可能性や、自転車の安全性の向上が期待できる。

関連論文リスト

• CycleCrash: A Dataset of Bicycle Collision Videos for Collision Prediction and Analysis [21.584020544141797]
  CycleCrashは、3000のダッシュカムビデオと436,347フレームからなる新しいデータセットだ。 このデータセットは、サイクリストにとって潜在的に危険な条件に焦点を当てた、9つの異なるサイクリスト衝突予測と分類タスクを可能にする。 本稿では,ConvNeXt空間エンコーダと非定常トランスフォーマーを併用した新しい手法であるVidNeXtを提案する。
  論文  参考訳（メタデータ） (2024-09-30T04:46:35Z)
• Pedestrian Environment Model for Automated Driving [54.16257759472116]
  歩行者の位置とポーズ情報を含む環境モデルを提案する。 画像から人間のポーズ推定器を用いて骨格情報を抽出する。 位置の3D情報を得るために,車両の位置と合わせて連続するフレームからデータを集約する。
  論文  参考訳（メタデータ） (2023-08-17T16:10:58Z)
• A Benchmark for Cycling Close Pass Near Miss Event Detection from Video Streams [35.17510169229505]
  我々はCyc-CPと呼ばれる新しいベンチマークを導入し、ビデオストリームからのミスイベント検出に近づいた近距離通過をサイクリングする。 これら2つの問題に対するディープラーニング技術に基づくベンチマークモデルを提案する。 我々のモデルは実世界のデータセットで88.13%と84.60%の精度を達成できる。
  論文  参考訳（メタデータ） (2023-04-24T07:30:01Z)
• Bent & Broken Bicycles: Leveraging synthetic data for damaged object re-identification [59.80753896200009]
  変形や欠落による視覚的外観の変化と微妙なクラス内変化を区別することを目的とした,損傷対象の再識別の新たな課題を提案する。 我々は、コンピュータ生成画像のパワーを活用して、半自動で、損傷前後に同じ自転車の高品質な合成画像を作成する。 このタスクのベースラインとして,マルチタスクでトランスフォーマーをベースとしたディープネットワークであるTransReI3Dを提案する。
  論文  参考訳（メタデータ） (2023-04-16T20:23:58Z)
• Real-Time Helmet Violation Detection Using YOLOv5 and Ensemble Learning [4.397520291340696]
  本稿では,バイクの乗客や乗客をリアルタイムに検出する YOLOv5 Deep Learning (DL) モデルの開発と評価について述べる。 私たちは、20秒毎に10fpsで記録された100のビデオでモデルをトレーニングしました。 提案されたモデルは100の試験ビデオでテストされ、mAPスコアは0.5267で、AIシティトラック5の公開リーダーボードで11位にランクインした。
  論文  参考訳（メタデータ） (2023-04-14T14:15:56Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• CycleSense: Detecting Near Miss Incidents in Bicycle Traffic from Mobile Motion Sensors [3.5127092215732176]
  世界中の都市では、自動車は健康と交通の問題を引き起こし、自転車のモルタルシェアの増加によって部分的に緩和される可能性がある。 しかし、多くの人々は、認識された安全性の欠如のためにサイクリングを避けます。 都市計画者にとって、サイクリストが安全な場所やそうでない場所についての洞察が欠けているため、この問題に対処することは難しい。
  論文  参考訳（メタデータ） (2022-04-21T21:43:23Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• CyclingNet: Detecting cycling near misses from video streams in complex urban scenes with deep learning [1.462434043267217]
  CyclingNetは、自己注意型双方向長短メモリ(LSTM)ブロックに埋め込まれた畳み込み構造に基づく深層コンピュータビジョンモデルである。 1つのGPUで42時間トレーニングした後、モデルはトレーニング、テスト、バリデーションセットに対して高い精度を示す。 このモデルは、都市のサイクリング行動に関する重要な結論を導く情報を生成するために使用されることを意図している。
  論文  参考訳（メタデータ） (2021-01-31T23:59:28Z)

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。