論文の概要: Real-Time Traffic Sign Detection: A Case Study in a Santa Clara Suburban
Neighborhood
- arxiv url: http://arxiv.org/abs/2310.09630v1
- Date: Sat, 14 Oct 2023 17:52:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 19:24:01.019143
- Title: Real-Time Traffic Sign Detection: A Case Study in a Santa Clara Suburban
Neighborhood
- Title(参考訳): リアルタイム交通信号検出:サンタクララ郊外地区を事例として
- Authors: Harish Loghashankar, Hieu Nguyen
- Abstract要約: プロジェクトの主な目的は、さまざまなトラフィックサインイメージのデータセット上でYOLOv5モデルをトレーニングし、適切なハードウェアプラットフォームにモデルをデプロイすることである。
本システムの性能は,交通信号の検出精度,リアルタイム処理速度,全体的な信頼性に基づいて評価する。
- 参考スコア(独自算出の注目度): 2.4087090457198435
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This research project aims to develop a real-time traffic sign detection
system using the YOLOv5 architecture and deploy it for efficient traffic sign
recognition during a drive in a suburban neighborhood. The project's primary
objectives are to train the YOLOv5 model on a diverse dataset of traffic sign
images and deploy the model on a suitable hardware platform capable of
real-time inference. The project will involve collecting a comprehensive
dataset of traffic sign images. By leveraging the trained YOLOv5 model, the
system will detect and classify traffic signs from a real-time camera on a
dashboard inside a vehicle. The performance of the deployed system will be
evaluated based on its accuracy in detecting traffic signs, real-time
processing speed, and overall reliability. During a case study in a suburban
neighborhood, the system demonstrated a notable 96% accuracy in detecting
traffic signs. This research's findings have the potential to improve road
safety and traffic management by providing timely and accurate real-time
information about traffic signs and can pave the way for further research into
autonomous driving.
- Abstract(参考訳): 本研究の目的は,yolov5アーキテクチャを用いたリアルタイムトラヒックサイン検出システムの構築と,郊外ドライブ中の効率的なトラヒックサイン認識のためのデプロイである。
プロジェクトの主な目的は、さまざまなトラフィックサインイメージのデータセット上でyolov5モデルをトレーニングし、リアルタイム推論が可能な適切なハードウェアプラットフォームにモデルをデプロイすることである。
このプロジェクトには、交通標識画像の包括的なデータセットの収集が含まれる。
訓練されたyolov5モデルを活用することで、システムは車両内のダッシュボード上のリアルタイムカメラから交通標識を検出し、分類する。
本システムの性能は,交通信号の検出精度,リアルタイム処理速度,全体的な信頼性に基づいて評価する。
郊外地区でのケーススタディでは、交通標識の検出において顕著な96%の精度を示した。
本研究は,交通標識のリアルタイム情報提供によって道路安全と交通管理を改善する可能性があり,自動運転のさらなる研究の道を開くことができる。
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) - MSight: An Edge-Cloud Infrastructure-based Perception System for
Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。
MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。
評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文 参考訳(メタデータ) (2023-10-08T21:32:30Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-05-28T03:11:48Z) - TraCon: A novel dataset for real-time traffic cones detection using deep
learning [7.759841699582662]
本研究では,交通円錐の効率的かつ迅速な検出のための解を見つけるために,YOLOv5アルゴリズムを用いる。
YOLOv5はIoUのスコアを91.31%まで高感度で検出できる。
論文 参考訳(メタデータ) (2022-05-24T06:51:58Z) - A Hybrid Physics Machine Learning Approach for Macroscopic Traffic State
Estimation [20.716261308570555]
本稿では,革新的なトラフィック状態推定フレームワークを提案する。
入力として、交通センサからの限られた情報を使用し、正確でフルフィールドで推定された交通状況を構築する。
実験の結果,提案手法は実地交通情報を正確に推定できることが証明された。
論文 参考訳(メタデータ) (2022-02-01T06:04:18Z) - Multistep traffic speed prediction: A deep learning based approach using
latent space mapping considering spatio-temporal dependencies [2.3204178451683264]
ITSは、過去のトラフィックデータと現在のトラフィックデータに基づいて、複数の時間ステップで正確なトラフィック予測を提供する、信頼性の高いトラフィック予測を必要とする。
深層学習に基づくアプローチは,空間的依存と時間的依存の両方を用いて開発されている。
提案手法は,最小誤差の60分前予測においても,正確な交通予測結果を提供することがわかった。
論文 参考訳(メタデータ) (2021-11-03T10:17:48Z) - Turning Traffic Monitoring Cameras into Intelligent Sensors for Traffic
Density Estimation [9.096163152559054]
本稿では,4L特性の未校正交通監視カメラを用いて,交通密度を推定するためのフレームワークを提案する。
提案するフレームワークは,カメラキャリブレーションと車両検出という2つの主要コンポーネントで構成されている。
その結果, カメラキャリブレーションにおける平均絶対誤差 (MAE) は6m中0.2m未満であり, 各種条件下での車両検出精度は約90%であった。
論文 参考訳(メタデータ) (2021-10-29T15:39:06Z) - Traffic-Net: 3D Traffic Monitoring Using a Single Camera [1.1602089225841632]
我々は,1台のCCTVトラヒックカメラを用いたリアルタイムトラヒック監視のための実用的なプラットフォームを提供する。
車両・歩行者検出のためのカスタムYOLOv5ディープニューラルネットワークモデルとSORT追跡アルゴリズムの改良を行った。
また、短時間・長期の時間的ビデオデータストリームに基づく階層的なトラフィックモデリングソリューションも開発している。
論文 参考訳(メタデータ) (2021-09-19T16:59:01Z) - An Experimental Urban Case Study with Various Data Sources and a Model
for Traffic Estimation [65.28133251370055]
我々はスイスのチューリッヒの都市ネットワーク内の地域でビデオ計測による実験キャンペーンを組織した。
我々は,既存のサーマルカメラからの測定を確実にすることで,交通の流れや走行時間の観点からの交通状況の把握に注力する。
本稿では,様々なデータソースの融合による移動時間を推定するために,単純かつ効率的な多重線形回帰(MLR)モデルを提案する。
論文 参考訳(メタデータ) (2021-08-02T08:13:57Z) - End-to-End Intersection Handling using Multi-Agent Deep Reinforcement
Learning [63.56464608571663]
交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。
本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。
本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
論文 参考訳(メタデータ) (2021-04-28T07:54:40Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z)
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。