論文の概要: Spot-the-Camel: Computer Vision for Safer Roads

• arxiv url: http://arxiv.org/abs/2304.00757v1
• Date: Mon, 3 Apr 2023 07:16:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 16:26:50.519294
• Title: Spot-the-Camel: Computer Vision for Safer Roads
• Title（参考訳）: Spot-the-Camel: 安全な道路のためのコンピュータビジョン
• Authors: Khalid Alnujaidi, Ghada Alhabib, Abdulaziz Alodhieb
• 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。 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。
• 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 [1]. 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: Center Net, Efficient Det, Faster R-CNN, SSD, and YOLOv8. Results of the experiments show that YOLOv8 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。 サウジアラビアでは、この問題は同様のものであり、カメル・ヴェイクル衝突(CVC)の事例はラクダの大型化によって特に致命率 [1] の25% となる。 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、Center Net、Efficient Det、Faster R-CNN、SSD、YOLOv8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。 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)
• YOLOv8-Based Visual Detection of Road Hazards: Potholes, Sewer Covers, and Manholes [0.0]
  本研究は,道路危険度検出の文脈において,対象物検出モデルであるYOLOv8の総合評価を行う。 従来の YOLOv5 と YOLOv7 の比較分析を行い、様々なアプリケーションにおける計算効率の重要性を強調した。 この研究は、様々なテストシナリオで計算されたmAPスコアを用いて、モデルの堅牢性と一般化能力を評価する。
  論文  参考訳（メタデータ） (2023-10-31T18:33:26Z)
• Computer Vision for a Camel-Vehicle Collision Mitigation System [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。 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。
  論文  参考訳（メタデータ） (2023-01-23T09:45:31Z)
• 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)
• Detection of Distracted Driver using Convolution Neural Network [7.37092447804202]
  インドは道路事故で死者の11%を占めている。 事故の78%はドライバーが担当している。 私たちは、異なるドライバーの気晴らしを分類するために、非常に効率的なMLモデルを構築することに重点を置きます。
  論文  参考訳（メタデータ） (2022-04-07T11:41:19Z)
• 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)
• 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)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• 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)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)

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。