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
- A Holistic Framework Towards Vision-based Traffic Signal Control with
Microscopic Simulation [53.39174966020085]
交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。
本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。
我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
論文 参考訳(メタデータ) (2024-03-11T16:42:29Z) - 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) - Automated Detection of Missing Links in Bicycle Networks [0.15293427903448023]
我々は,都市の自転車ネットワークにおいて最も重要なリンクを見つけるためのIPDC手順(Identify, Prioritize, Decluster, Classify)を開発した。
まず、多重化ネットワークアプローチによるすべての可能なギャップを特定し、フローベースのメトリックに従って優先順位付けし、新たなギャップクラスタを分解し、手動でギャップのタイプを分類する。
以上の結果から,最小データ要件によるネットワーク分析が,自転車ネットワーク計画の費用効率向上支援ツールとして有効であることを示す。
論文 参考訳(メタデータ) (2022-01-10T15:35:14Z) - 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) - Road Roughness Estimation Using Machine Learning [0.0]
自動車の垂直加速度と速度を用いた道路粗さ予測のための機械学習パイプラインを提案する。
その結果,従来の乗用車に搭載された車内センサを用いて,道路の粗さを正確に予測できることが示唆された。
論文 参考訳(メタデータ) (2021-07-02T17:37:55Z) - 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。