Fugu-MT 論文翻訳(概要): Anomalous Behavior Detection in Trajectory Data of Older Drivers

論文の概要: Anomalous Behavior Detection in Trajectory Data of Older Drivers

arxiv url: http://arxiv.org/abs/2311.17822v1
Date: Wed, 29 Nov 2023 17:22:28 GMT
ステータス: 処理完了
システム内更新日: 2023-11-30 20:34:52.461306
Title: Anomalous Behavior Detection in Trajectory Data of Older Drivers
Title（参考訳）: 高齢ドライバの軌道データにおける異常行動検出
Authors: Seyedeh Gol Ara Ghoreishi, Sonia Moshfeghi, Muhammad Tanveer Jan, Joshua Conniff, KwangSoo Yang, Jinwoo Jang, Borko Furht, Ruth Tappen, David Newman, Monica Rosselli, Jiannan Zhai
Abstract要約: 本稿では,時間的詳細トラジェクトリデータセットの重要な特性を表現できるエッジ属性行列を提案する。実世界のデータセットを用いた実験により,本手法は異常運転行動を認識することを示した。
参考スコア（独自算出の注目度）: 0.8426358786287627
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Given a road network and a set of trajectory data, the anomalous behavior detection (ABD) problem is to identify drivers that show significant directional deviations, hardbrakings, and accelerations in their trips. The ABD problem is important in many societal applications, including Mild Cognitive Impairment (MCI) detection and safe route recommendations for older drivers. The ABD problem is computationally challenging due to the large size of temporally-detailed trajectories dataset. In this paper, we propose an Edge-Attributed Matrix that can represent the key properties of temporally-detailed trajectory datasets and identify abnormal driving behaviors. Experiments using real-world datasets demonstrated that our approach identifies abnormal driving behaviors.
Abstract（参考訳）: 道路ネットワークと軌道データのセットが与えられた場合、異常な行動検出(ABD)問題は、旅行中に大きな方向ずれ、ハードブレーキ、加速度を示すドライバーを特定することである。 ABD問題は、マイルド認知障害(MCI)の検出や、高齢者ドライバーのための安全なルートレコメンデーションなど、多くの社会的応用において重要である。 ABD問題は、時間的詳細トラジェクトリデータセットが大きいため、計算的に困難である。本稿では、時間的詳細トラジェクトリデータセットの重要な特性を表現し、異常運転行動を特定するエッジ属性行列を提案する。実世界のデータセットを用いた実験により,運転異常を識別する手法が示された。

関連論文リスト

Exploiting T-norms for Deep Learning in Autonomous Driving [60.205021207641174]
自律運転におけるイベント検出のタスクにおいて,メモリ効率のよいtノルムに基づく損失をどうやって定義できるかを示す。
論文参考訳（メタデータ） (2024-02-17T18:51:21Z)
G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2023-12-13T23:06:30Z)
Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。実世界のデータセットの実験では、大幅な改善が示されている。
論文参考訳（メタデータ） (2023-09-21T15:00:31Z)
Detecting Socially Abnormal Highway Driving Behaviors via Recurrent Graph Attention Networks [4.526932450666445]
本研究は,ハイウェイビデオ監視システムによる軌跡から異常運転行動を検出することに焦点を当てる。本稿では,周囲の車上での走行動作を文脈的に把握できるリカレントグラフ注意ネットワークを用いたオートエンコーダを提案する。私たちのモデルは何千もの車で大きな高速道路にスケーラブルです。
論文参考訳（メタデータ） (2023-04-23T01:32:47Z)
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)
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)
CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
論文参考訳（メタデータ） (2022-03-15T08:32:56Z)
DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2021-09-08T14:07:55Z)
Graph Convolutional Networks for traffic anomaly [4.172516437934823]
イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
論文参考訳（メタデータ） (2020-12-25T22:36:22Z)
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)
SoDA: Multi-Object Tracking with Soft Data Association [75.39833486073597]
マルチオブジェクトトラッキング(MOT)は、自動運転車の安全な配備の前提条件である。観測対象間の依存関係をエンコードするトラック埋め込みの計算に注目するMOTに対する新しいアプローチを提案する。
論文参考訳（メタデータ） (2020-08-18T03:40:25Z)

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。