論文の概要: AutoLTS: Automating Cycling Stress Assessment via Contrastive Learning and Spatial Post-processing

• arxiv url: http://arxiv.org/abs/2308.07580v1
• Date: Tue, 15 Aug 2023 05:51:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-16 14:01:33.876769
• Title: AutoLTS: Automating Cycling Stress Assessment via Contrastive Learning and Spatial Post-processing
• Title（参考訳）: autolts: コントラスト学習と空間後処理によるサイクリングストレス評価の自動化
• Authors: Bo Lin, Shoshanna Saxe, Timothy C. Y. Chan
• Abstract要約: 本研究では,高精度で高速かつ大規模なサイクリングストレスアセスメントを支援するためのディープラーニングフレームワークを提案する。 筆者らのフレームワークは, サイクリングストレスラベル間の順序関係を利用したコントラスト学習手法と, 予測に空間的滑らかさを強制するポストプロセッシング手法を特徴とする。
• 参考スコア（独自算出の注目度）: 4.599618895656792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cycling stress assessment, which quantifies cyclists' perceived stress imposed by the built environment and motor traffics, increasingly informs cycling infrastructure planning and cycling route recommendation. However, currently calculating cycling stress is slow and data-intensive, which hinders its broader application. In this paper, We propose a deep learning framework to support accurate, fast, and large-scale cycling stress assessments for urban road networks based on street-view images. Our framework features i) a contrastive learning approach that leverages the ordinal relationship among cycling stress labels, and ii) a post-processing technique that enforces spatial smoothness into our predictions. On a dataset of 39,153 road segments collected in Toronto, Canada, our results demonstrate the effectiveness of our deep learning framework and the value of using image data for cycling stress assessment in the absence of high-quality road geometry and motor traffic data.
• Abstract（参考訳）: 自転車のストレスアセスメントは、構築された環境や交通機関によって課されるサイクリストの認識されたストレスを定量化し、自転車のインフラ計画や自転車のルート推奨を通知する。 しかし、現在のサイクリングストレスの計算は遅く、データ集約的であり、幅広い応用を妨げる。 本稿では,街路画像に基づく都市道路網の高精度・高速・大規模サイクリングストレス評価を支援するためのディープラーニングフレームワークを提案する。 フレームワークの特徴 一 サイクリングストレスラベル間の順序関係を利用した対照的な学習方法 二 予測に空間的滑らかさを強制する後処理技術。 カナダ・トロントで収集された39,153個の道路セグメントのデータセットについて,我々は,高品位道路形状と自動車交通データがない場合,画像データを用いたサイクリングストレス評価の有効性を示す。

関連論文リスト

• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車のボリュームをモデル化するために,グラフ畳み込みネットワークアーキテクチャを利用する最初の研究について述べる。 オーストラリア,メルボルン市全体での年間平均自転車数(AADB)を,Strava Metro の自転車数データを用いて推定した。 以上の結果から,GCNモデルは従来のAADB数予測モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• Discovering Cyclists' Visual Preferences Through Shared Bike Trajectories and Street View Images Using Inverse Reinforcement Learning [2.678595263943329]
  本稿では,サイクリストの複雑な視覚的嗜好の定量化と解釈を目的とした新しい枠組みを提案する。 我々は,サイクリング報酬関数の効率的な推定にMDDIRLモデルを適用した。 サイクリストはルート決定を行う際に、特定の道路視覚要素に注目する。
  論文  参考訳（メタデータ） (2024-09-05T00:54:48Z)
• RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and Comfortable Autonomous Driving [67.09546127265034]
  道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。 我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。 約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
  論文  参考訳（メタデータ） (2023-10-03T17:59:32Z)
• Scoring Cycling Environments Perceived Safety using Pairwise Image Comparisons [0.9299655616863538]
  本研究では,自転車の安全に対する認識を解析し,理解するための新しいアプローチを提案する。 繰り返し、回答者に2つの道路環境を示し、サイクリングにとってより安全なものを選ぶよう依頼する。 我々は,自転車の環境をペア比較から評価し,安全あるいは安全でないと認識された自転車の環境を分類する手法をいくつか比較した。
  論文  参考訳（メタデータ） (2023-07-25T10:31:45Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Estimating city-wide hourly bicycle flow using a hybrid LSTM MDN [0.0]
  自転車のモードシェアを増やそうとする試みには、自転車の安全性の向上など、多くの手段が伴う。 サイクリングの安全性に関する有意義な分析は、一般的にセグメントレベルで利用できない、あるいは使用できない正確な自転車のフローデータを必要とする。 本稿では,コペンハーゲンにおける自転車の時流,天候,時間,道路条件を推定するディープラーニングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-20T17:00:29Z)
• Urban traffic dynamic rerouting framework: A DRL-based model with fog-cloud architecture [0.7046417074932257]
  本研究では,GAQ(Graph Attention Network - Deep Q Learning)とEBkSP(Entropy Based k Shortest Path)を組み合わせた2段階モデルを提案する。 まず、GAQは、各道路と霧のエリアの交通状況を分析し、その周辺地域と周辺地域の情報に基づいて道路指標を割り当てる。 第2に、EBkSPは車両の優先度と経路人気に基づいて各車両に経路を割り当てる。
  論文  参考訳（メタデータ） (2021-10-11T18:15:44Z)
• 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)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。