論文の概要: Traffic Incident Database with Multiple Labels Including Various
Perspective Environmental Information
- arxiv url: http://arxiv.org/abs/2312.10737v1
- Date: Sun, 17 Dec 2023 14:52:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 14:45:27.398248
- Title: Traffic Incident Database with Multiple Labels Including Various
Perspective Environmental Information
- Title(参考訳): 多様な環境情報を含む複数ラベルによる交通事故データベース
- Authors: Shota Nishiyama, Takuma Saito, Ryo Nakamura, Go Ohtani, Hirokatsu
Kataoka, and Kensho Hara
- Abstract要約: V-TIDBは、様々な環境情報をマルチラベルとして注釈付けした大規模交通事故認識データセットである。
V-TIDBは、環境情報を詳細に考慮した交通事故認識モデルを学ぶために使用できる。
- 参考スコア(独自算出の注目度): 9.759111439018838
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traffic accident recognition is essential in developing automated driving and
Advanced Driving Assistant System technologies.A large dataset of annotated
traffic accidents is necessary to improve the accuracy of traffic accident
recognition using deep learning models.Conventional traffic accident datasets
provide annotations on the presence or absence of traffic accidents and other
teacher labels, improving traffic accident recognition performance. Therefore,
we propose V-TIDB, a large-scale traffic accident recognition dataset annotated
with various environmental information as multi-labels. Our proposed dataset
aims to improve the performance of traffic accident recognition by annotating
ten types of environmental information in addition to the presence or absence
of traffic accidents. V-TIDB is constructed by collecting many videos from the
Internet and annotating them with appropriate environmental information.In our
experiments, we compare the performance of traffic accident recognition when
only labels related to the presence or absence of traffic accidents are trained
and when environmental information is added as a multi-label. In the second
experiment, we compare the performance of the training with only contact level
which represents the severity of the traffic accident, and the performance with
environmental information added as a multi-label.The results showed that 6 out
of 10 environmental information labels improved the performance of recognizing
the presence or absence of traffic accidents. In the experiment on the degree
of recognition of traffic accidents, the performance of recognition of car
wrecks and contacts was improved for all environmental information. These
experiments show that V-TIDB can be used to learn traffic accident recognition
models that take environmental information into account in detail and can be
used for appropriate traffic accident analysis.
- Abstract(参考訳): 交通事故認識は, 交通事故認識の精度を高めるために, 深層学習モデルを用いて, 交通事故認識の精度を向上させるために, 交通事故認識技術や高度な運転支援システムの開発に不可欠であり, 従来型の交通事故データセットは, 交通事故の有無に関する注釈を提供し, 交通事故認識性能を向上させる。
そこで本稿では,様々な環境情報をマルチラベルとして付加した大規模交通事故認識データセットであるV-TIDBを提案する。
提案するデータセットは,交通事故の有無に加えて10種類の環境情報をアノテートすることにより,交通事故認識の性能を向上させることを目的としている。
V-TIDBは,インターネットから多数のビデオを収集し,適切な環境情報に注釈を付けることで構築され,交通事故の有無に関連するラベルのみをトレーニングし,環境情報を複数ラベルとして付加した場合の交通事故認識性能を比較した。
第2の実験では,交通事故の重大度を表す接触レベルと,マルチラベルとして付加された環境情報との比較を行い,環境情報ラベル10項目中6項目において,交通事故の有無の認識性能が向上したことを示した。
交通事故の認識度に関する実験では,全ての環境情報に対して,自動車事故と接触者の認識性能が向上した。
これらの実験により,V-TIDBは環境情報を考慮した交通事故認識モデルの学習に利用でき,適切な交通事故解析に利用できることがわかった。
関連論文リスト
- Evaluating the reliability of automatically generated pedestrian and
bicycle crash surrogates [0.491574468325115]
Vulnerable Road Users (VRU) は、自動車の事故に巻き込まれるリスクが高い。
信号交差点は、その複雑でダイナミックな性質のため、VRUにとって大きな安全上の懸念事項である。
本研究は, 自動生成サロゲートの信頼性を検証し, 衝突を予測した。
論文 参考訳(メタデータ) (2023-07-24T23:57:29Z) - OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。
OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。
様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
論文 参考訳(メタデータ) (2023-04-20T16:31:22Z) - ROCO: A Roundabout Traffic Conflict Dataset [65.55451440776098]
実世界のトラフィック競合データセットであるROCOを導入し分析する。
データはミシガン州アンアーバーのセント・セントとW・エルズワースの交差点にある2車線のラウンドアラウンドで収集される。
2021年8月から2021年10月までの合計557回の交通事故と17回の交通事故が収集された。
論文 参考訳(メタデータ) (2023-03-01T15:09:45Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳(メタデータ) (2022-12-19T11:43:02Z) - TAD: A Large-Scale Benchmark for Traffic Accidents Detection from Video
Surveillance [2.1076255329439304]
既存の交通事故のデータセットは小規模で、監視カメラからではなく、オープンソースではない。
様々な次元による統合とアノテーションの後に,TADという大規模交通事故データセットが提案されている。
論文 参考訳(メタデータ) (2022-09-26T03:00:50Z) - Real-Time Accident Detection in Traffic Surveillance Using Deep Learning [0.8808993671472349]
本稿では,交通監視用交差点における事故検出のための新しい効率的な枠組みを提案する。
提案手法は,最先端のYOLOv4法に基づく効率的かつ高精度な物体検出を含む,3つの階層的なステップから構成される。
提案フレームワークのロバスト性は,様々な照明条件でYouTubeから収集した映像シーケンスを用いて評価する。
論文 参考訳(メタデータ) (2022-08-12T19:07:20Z) - Exploring Event-driven Dynamic Context for Accident Scene Segmentation [33.20305129155542]
交通事故の致命的な場面のほとんどは非常にダイナミックで、以前は見えなかった。
時間分解能の高いイベントベースデータから動的コンテキストを抽出することを提案する。
提案手法は,提案した事故データセットに対して+8.2%の性能向上を実現する。
論文 参考訳(メタデータ) (2021-12-09T16:00:30Z) - Deep Representation of Imbalanced Spatio-temporal Traffic Flow Data for
Traffic Accident Detection [0.3670422696827526]
本稿では,高速道路事故の自動検出のためのLong-Short Term Memory (LSTM) ネットワークを用いたループ検出データの深部表現について検討する。
ミネソタ州ツインシティーズ・メトロの高速道路から収集された実事故およびループ検出データの実験は、LSTMネットワークを用いた交通流データの深部表現が18分以内で高速道路事故を検出する可能性を実証している。
論文 参考訳(メタデータ) (2021-08-21T13:18:04Z) - 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) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳(メタデータ) (2021-02-12T18:17:12Z) - Training-free Monocular 3D Event Detection System for Traffic
Surveillance [93.65240041833319]
既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。
現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。
本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
論文 参考訳(メタデータ) (2020-02-01T04:42:57Z)
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。