論文の概要: SigSegment: A Signal-Based Segmentation Algorithm for Identifying
Anomalous Driving Behaviours in Naturalistic Driving Videos
- arxiv url: http://arxiv.org/abs/2304.09247v1
- Date: Thu, 13 Apr 2023 22:38:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 04:05:55.504493
- Title: SigSegment: A Signal-Based Segmentation Algorithm for Identifying
Anomalous Driving Behaviours in Naturalistic Driving Videos
- Title（参考訳）: sigsegment:自然走行ビデオにおける異常運転行動同定のための信号に基づくセグメンテーションアルゴリズム
- Authors: Kelvin Kwakye, Younho Seong, Armstrong Aboah, Sun Yi
- Abstract要約: 本稿では,映像を異常と非異常に分割する信号に基づく異常検出アルゴリズムを提案する。
提案手法はオーバーラップスコア0.5424を達成し、AIシティチャレンジ2023で公衆のリーダーボードで9位にランクインした。
- 参考スコア（独自算出の注目度）: 5.735035463793008
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In recent years, distracted driving has garnered considerable attention as it
continues to pose a significant threat to public safety on the roads. This has
increased the need for innovative solutions that can identify and eliminate
distracted driving behavior before it results in fatal accidents. In this
paper, we propose a Signal-Based anomaly detection algorithm that segments
videos into anomalies and non-anomalies using a deep CNN-LSTM classifier to
precisely estimate the start and end times of an anomalous driving event. In
the phase of anomaly detection and analysis, driver pose background estimation,
mask extraction, and signal activity spikes are utilized. A Deep CNN-LSTM
classifier was applied to candidate anomalies to detect and classify final
anomalies. The proposed method achieved an overlap score of 0.5424 and ranked
9th on the public leader board in the AI City Challenge 2023, according to
experimental validation results.
- Abstract（参考訳）: 近年、道路の公共の安全に重大な脅威をもたらし続けているため、運転の邪魔がかなりの注目を集めている。
これにより、致命的な事故が発生する前に注意をそらした運転行動を識別し排除できる革新的なソリューションの必要性が高まっている。
本稿では,映像を深いCNN-LSTM分類器を用いて異常・非異常に分割し,異常運転イベントの開始時刻と終了時刻を正確に推定する信号ベース異常検出アルゴリズムを提案する。
異常検出・解析の段階では、運転者の背景推定、マスク抽出、信号活動スパイクを利用する。
最終異常の検出と分類には, 深層cnn-lstm分類器を適用した。
実験結果によると,提案手法は0.5424のオーバーラップスコアを達成し,AIシティチャレンジ2023で9位となった。
関連論文リスト
- BatchNorm-based Weakly Supervised Video Anomaly Detection [117.11382325721016]
弱教師付きビデオ異常検出では、異常事象の時間的特徴は、しばしば異常な特性を示す。
本稿では,BatchNormをWVADに組み込んだBN-WVADを提案する。
提案したBN-WVADモデルでは、UCF-CrimeのAUCは87.24%、XD-Violenceは84.93%に達する。
論文 参考訳（メタデータ） (2023-11-26T17:47:57Z) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳（メタデータ） (2023-08-29T13:38:35Z) - UGainS: Uncertainty Guided Anomaly Instance Segmentation [80.12253291709673]
道路上の1つの予期せぬ物体が事故を引き起こしたり、怪我を負うことがある。
現在のアプローチでは、各ピクセルに異常スコアを割り当てることで、異常セグメンテーションに取り組む。
本稿では, 高精度な異常マスクを生成する手法を提案する。
論文 参考訳（メタデータ） (2023-08-03T20:55:37Z) - Anomaly Detection in Driving by Cluster Analysis Twice [0.0]
本研究は, クラスタ分析による運転異常検出法(ADDCAT)を提案する。
イベントは、運転の正常さのパターンと見なされる主要なクラスタに適合しない場合、異常であると言われている。
この方法は、事前のトレーニングプロセスや膨大な計算コストを必要とせず、運転中の異常を検出する手段を提供する。
論文 参考訳（メタデータ） (2022-12-15T09:53:49Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - Leveraging Trajectory Prediction for Pedestrian Video Anomaly Detection [14.740178121212132]
本稿では,未監視歩行者異常事象検出における軌跡の局所化と予測の活用を提案する。
提案手法は,正常および異常な歩行者軌跡の予測誤差を利用して,空間的・時間的に異常を検出する。
実時間スケールの異なる実世界のベンチマークデータセットについて実験を行い,提案したトラジェクトリ予測に基づく異常検出パイプラインが効率的かつ効率的であることを示す。
論文 参考訳（メタデータ） (2022-07-05T19:44:34Z) - Driving Anomaly Detection Using Conditional Generative Adversarial
Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。
この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。
結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文 参考訳（メタデータ） (2022-03-15T22:10:01Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - A Vision-based System for Traffic Anomaly Detection using Deep Learning
and Decision Trees [2.490941231944805]
交通カメラから異常を抽出するDeep Learningを活用した意思決定ツリー方式を提案する。
提案手法では,検出モデルの作成と異常検出と解析を行った。
提案手法では,f1 スコア 0.8571 と s4 スコア 0.5686 の検証結果を得た。
論文 参考訳（メタデータ） (2021-04-14T13:48:13Z) - Robust Unsupervised Video Anomaly Detection by Multi-Path Frame
Prediction [61.17654438176999]
本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。
提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
論文 参考訳（メタデータ） (2020-11-05T11:34:12Z) - Driver Anomaly Detection: A Dataset and Contrastive Learning Approach [17.020790792750457]
本稿では,通常の運転と異常運転を区別する指標を学習するための対照的な学習手法を提案する。
本手法はテストセットの0.9673 AUCに到達し,異常検出タスクに対する対照的な学習手法の有効性を実証した。
論文 参考訳（メタデータ） (2020-09-30T13:23:21Z)
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。