論文の概要: DeepSegmenter: Temporal Action Localization for Detecting Anomalies in
Untrimmed Naturalistic Driving Videos
- arxiv url: http://arxiv.org/abs/2304.08261v1
- Date: Thu, 13 Apr 2023 20:35:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 15:07:39.631695
- Title: DeepSegmenter: Temporal Action Localization for Detecting Anomalies in
Untrimmed Naturalistic Driving Videos
- Title(参考訳): deepsegmenter:untrimmed naturalistic driving videoにおける異常検出のための時間的行動局在
- Authors: Armstrong Aboah, Ulas Bagci, Abdul Rashid Mussah, Neema Jakisa Owor,
Yaw Adu-Gyamfi
- Abstract要約: 本研究では,1つのフレームワークでアクティビティセグメンテーションと分類を同時に行う新しい方法論フレームワークであるDeepSegmenterを紹介する。
提案手法は,2023年のAI City Challenge, Track 3で8位となり,実験的な検証データに対して0.5426のオーバーラップスコアが得られた。
- 参考スコア(独自算出の注目度): 6.932106927854801
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Identifying unusual driving behaviors exhibited by drivers during driving is
essential for understanding driver behavior and the underlying causes of
crashes. Previous studies have primarily approached this problem as a
classification task, assuming that naturalistic driving videos come
discretized. However, both activity segmentation and classification are
required for this task due to the continuous nature of naturalistic driving
videos. The current study therefore departs from conventional approaches and
introduces a novel methodological framework, DeepSegmenter, that simultaneously
performs activity segmentation and classification in a single framework. The
proposed framework consists of four major modules namely Data Module, Activity
Segmentation Module, Classification Module and Postprocessing Module. Our
proposed method won 8th place in the 2023 AI City Challenge, Track 3, with an
activity overlap score of 0.5426 on experimental validation data. The
experimental results demonstrate the effectiveness, efficiency, and robustness
of the proposed system.
- Abstract(参考訳): 運転中に運転者が示す異常な運転行動を特定することは、運転者の行動とクラッシュの原因を理解する上で不可欠である。
これまでの研究では、自然主義的な運転ビデオが離散化されることを前提に、この問題を分類タスクとしてアプローチしてきた。
しかし,この課題には,自然主義的運転映像の連続性から,活動分節化と分類が求められる。
そこで本研究では,従来の手法から脱却し,単一の枠組みでアクティビティセグメンテーションと分類を同時に行う新しい手法であるdeepsegmenterを導入する。
提案されたフレームワークは、Data Module, Activity Segmentation Module, Classification Module, Postprocessing Moduleという4つの主要なモジュールで構成されている。
提案手法は2023年のai city challenge, track 3で8位となり,実験的な検証データでは0.5426であった。
実験結果は,提案システムの有効性,効率,堅牢性を示すものである。
関連論文リスト
- A Framework for Learning Scoring Rules in Autonomous Driving Planning Systems [2.4578723416255754]
FLoRAは、時間論理で表される解釈可能なスコアリングルールを学ぶフレームワークである。
本手法は,学習データに肯定的な例しか含まれていないにもかかわらず,運転行動の評価を効果的に学習する。
クローズドループ計画シミュレーションの評価は、学習したスコアリングルールが既存の手法より優れていることを示す。
論文 参考訳(メタデータ) (2025-02-17T02:06:57Z) - Driving pattern interpretation based on action phases clustering [3.7974127678115126]
本研究では,非教師的手法で行動フェーズを分類することで,運転パターンをさらに解釈する新しい枠組みを提案する。
現実世界のデータセットを使用したフレームワークの適用により、"'Catch Up''、'Keep away'、''Maintain distance'とラベル付けされたI80データセットの6つの駆動パターンが明らかになった。
論文 参考訳(メタデータ) (2024-07-17T10:40:23Z) - DeepLocalization: Using change point detection for Temporal Action Localization [2.4502578110136946]
DeepLocalizationは、ドライバーの行動を監視するために明示的に調整されたアクションのリアルタイムローカライゼーションのために考案された革新的なフレームワークである。
我々の戦略は、ビデオ大言語モデル(Video Large Language Model, Video-LLM)と並行して、グラフベースの変更点検出を時間内のピンポイント行動に活用し、アクティビティを正確に分類する、という2つのアプローチを採用している。
論文 参考訳(メタデータ) (2024-04-18T15:25:59Z) - Identification of Driving Heterogeneity using Action-chains [3.596647660010906]
本研究では,アクションチェーンの観点から異種運転を識別するための包括的フレームワークを紹介する。
運転行動の物理的意味を考慮したルールベースセグメンテーション手法を提案する。
次に、セグメント化結果に基づいて、様々な駆動動作パターンの記述を含むアクションフェーズライブラリを作成する。
論文 参考訳(メタデータ) (2023-07-31T17:04:39Z) - Proposal-Based Multiple Instance Learning for Weakly-Supervised Temporal
Action Localization [98.66318678030491]
微弱に監督された時間的行動ローカライゼーションは、トレーニング中にビデオレベルのカテゴリラベルのみを持つ未トリミングビデオのアクションをローカライズし、認識することを目的としている。
本稿では,提案手法をベースとしたP-MIL(Multiple Instance Learning)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-29T02:48:04Z) - Diffusion Action Segmentation [63.061058214427085]
本稿では,このような反復的洗練の本質的な精神を共用した拡散モデルによる新しい枠組みを提案する。
このフレームワークでは、入力された映像の特徴を条件としてランダムノイズから行動予測を反復的に生成する。
論文 参考訳(メタデータ) (2023-03-31T10:53:24Z) - Unsupervised Self-Driving Attention Prediction via Uncertainty Mining
and Knowledge Embedding [51.8579160500354]
本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。
結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
論文 参考訳(メタデータ) (2023-03-17T00:28:33Z) - Self-supervised Pretraining with Classification Labels for Temporal
Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。
検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。
本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文 参考訳(メタデータ) (2021-11-26T18:59:28Z) - Learning to drive from a world on rails [78.28647825246472]
モデルベースアプローチによって,事前記録された運転ログからインタラクティブな視覚ベースの運転方針を学習する。
世界の前方モデルは、あらゆる潜在的な運転経路の結果を予測する運転政策を監督する。
提案手法は,carla リーダボードにまずランク付けし,40 倍少ないデータを用いて25%高い運転スコアを得た。
論文 参考訳(メタデータ) (2021-05-03T05:55:30Z) - Deep Structured Reactive Planning [94.92994828905984]
自動運転のための新しいデータ駆動型リアクティブ計画目標を提案する。
本モデルは,非常に複雑な操作を成功させる上で,非反応性変種よりも優れることを示す。
論文 参考訳(メタデータ) (2021-01-18T01:43:36Z) - A Probabilistic Framework for Imitating Human Race Driver Behavior [31.524303667746643]
本稿では,運転行動モデリングのタスクを複数のモジュールに分割するモジュラーフレームワークProMoDを提案する。
確率的運動プリミティブを用いて大域的目標軌道分布を学習し、局所経路生成にウエイドを使用し、ニューラルネットワークにより対応する行動選択を行う。
シミュレーションカーレースセッティングの実験は、他の模倣学習アルゴリズムと比較して、模倣精度とロバスト性にかなりの利点がある。
論文 参考訳(メタデータ) (2020-01-22T20:06:38Z)
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。