論文の概要: Traffic Incident Database with Multiple Labels Including Various
Perspective Environmental Information
- arxiv url: http://arxiv.org/abs/2312.10737v2
- Date: Tue, 19 Dec 2023 06:24:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 12:21:02.331235
- 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: 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 traffic accidents
and other teacher labels, improving traffic accident recognition performance.
However, the labels annotated in conventional datasets need to be more
comprehensive to describe traffic accidents in detail. 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 as teacher labels 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）: 深層学習モデルを用いた交通事故認識の精度向上には,注釈付き交通事故の大規模なデータセットが必要である。
従来の交通事故データセットは、交通事故やその他の教師ラベルへの注釈を提供し、交通事故認識性能を向上させる。
しかし、従来のデータセットにアノテートされたラベルは、交通事故を詳細に記述するためにより包括的にする必要がある。
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,教師のラベルとして10種類の環境情報をアノテートすることで,交通事故認識の性能向上を目的とする。
V-TIDBは、インターネットから多くのビデオを収集し、適切な環境情報でアノテートすることで構築される。
本研究では,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,交通事故の深刻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った。
その結果, 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。
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
- IncidentNet: Traffic Incident Detection, Localization and Severity Estimation with Sparse Sensing [0.6787248655856052]
IncidentNetは、トラフィックインシデントの深刻度を分類、ローカライズ、推定するための新しいアプローチである。
本モデルでは,交通交差点に設置したカメラを用いて収集可能な微視的交通データについて検討する。
論文 参考訳（メタデータ） (2024-08-02T04:09:15Z) - XTraffic: A Dataset Where Traffic Meets Incidents with Explainability and More [38.092415845567345]
トラヒックとインシデントという2つの非常に相関の深いトラックで研究が行われている。
XTrafficデータセットには、トラフィック、すなわち、トラフィックフロー、車線占有率、平均車両速度の時系列インデックスが含まれている。
各ノードは、レーンの詳細な物理ポリシーレベルのメタ属性を含む。
論文 参考訳（メタデータ） (2024-07-16T08:16:01Z) - Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。
さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。
実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文 参考訳（メタデータ） (2024-06-16T03:10:16Z) - 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) - 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) - 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。