論文の概要: Traffic Cameras to detect inland waterway barge traffic: An Application
of machine learning
- arxiv url: http://arxiv.org/abs/2401.03070v1
- Date: Fri, 5 Jan 2024 21:32:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 20:33:20.225840
- Title: Traffic Cameras to detect inland waterway barge traffic: An Application
of machine learning
- Title（参考訳）: 内陸の沼地交通を検出する交通カメラ:機械学習の応用
- Authors: Geoffery Agorku, Sarah Hernandez PhD, Maria Falquez, Subhadipto Poddar
PhD, Kwadwo Amankwah-Nkyi
- Abstract要約: そこで本稿では,既存の交通カメラを用いた陸路のバージトラフィック検出手法について述べる。
ディープラーニングモデル、特にYou Only Look Once (YOLO)、Single Shot MultiBox Detector (SSD)、EfficientDetが採用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Inland waterways are critical for freight movement, but limited means exist
for monitoring their performance and usage by freight-carrying vessels, e.g.,
barges. While methods to track vessels, e.g., tug and tow boats, are publicly
available through Automatic Identification Systems (AIS), ways to track freight
tonnages and commodity flows carried on barges along these critical marine
highways are non-existent, especially in real-time settings. This paper
develops a method to detect barge traffic on inland waterways using existing
traffic cameras with opportune viewing angles. Deep learning models,
specifically, You Only Look Once (YOLO), Single Shot MultiBox Detector (SSD),
and EfficientDet are employed. The model detects the presence of vessels and/or
barges from video and performs a classification (no vessel or barge, vessel
without barge, vessel with barge, and barge). A dataset of 331 annotated images
was collected from five existing traffic cameras along the Mississippi and Ohio
Rivers for model development. YOLOv8 achieves an F1-score of 96%, outperforming
YOLOv5, SSD, and EfficientDet models with 86%, 79%, and 77% respectively.
Sensitivity analysis was carried out regarding weather conditions (fog and
rain) and location (Mississippi and Ohio rivers). A background subtraction
technique was used to normalize video images across the various locations for
the location sensitivity analysis. This model can be used to detect the
presence of barges along river segments, which can be used for anonymous bulk
commodity tracking and monitoring. Such data is valuable for long-range
transportation planning efforts carried out by public transportation agencies,
in addition to operational and maintenance planning conducted by federal
agencies such as the US Army Corp of Engineers.
- Abstract（参考訳）: 内陸の水路は貨物輸送に重要であるが、貨物船(例えばバージ)のパフォーマンスや使用を監視するための手段は限られている。
タグボートや牽引ボートなどの船舶を追跡する方法は、自動識別システム(ais)を通じて公に利用できるが、これらの重要な海洋ハイウェイに沿って運ばれる貨物のトンナーや商品の流れを追跡する方法は、特にリアルタイム環境では存在していない。
そこで本研究では,既存の交通カメラを用いた陸路のバージトラフィック検出手法を開発した。
ディープラーニングモデル、特にYou Only Look Once (YOLO)、Single Shot MultiBox Detector (SSD)、EfficientDetが採用されている。
このモデルはビデオから船やバージの存在を検知し、分類を行う(船やバージなしの船、バージなしの船、バージ付き船、およびバージなし)。
モデル開発のために、ミシシッピ川とオハイオ川沿いの5つの交通カメラから、331枚の注釈付き画像のデータセットが収集された。
YOLOv8は96%のF1スコアを獲得し、YOLOv5、SSD、EfficientDetの各モデルでは86%、79%、77%を上回っている。
気象条件(霧と雨)と位置(ミシプピ川とオハイオ川)について感度分析を行った。
位置情報の感度解析のために,各地点にまたがる映像の正規化に背景サブトラクションを用いた。
このモデルは、匿名のバルク商品追跡と監視に使用できる河川セグメントに沿ったバージの存在を検出するのに使うことができる。
これらのデータは、アメリカ陸軍工兵隊などの連邦機関が実施した運用・保守計画に加えて、公共交通機関が行う長距離輸送計画に有用である。
関連論文リスト
- Real-Time Traffic Sign Detection: A Case Study in a Santa Clara Suburban
Neighborhood [2.4087090457198435]
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。
論文 参考訳（メタデータ） (2023-10-14T17:52:28Z) - 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) - Traffic Scene Parsing through the TSP6K Dataset [109.69836680564616]
高品質なピクセルレベルのアノテーションとインスタンスレベルのアノテーションを備えた,TSP6Kと呼ばれる特殊なトラフィック監視データセットを導入する。
データセットは、既存の運転シーンの何倍ものトラフィック参加者を持つ、より混雑した交通シーンをキャプチャする。
交通シーンの異なるセマンティック領域の詳細を復元するシーン解析のためのディテールリフィニングデコーダを提案する。
論文 参考訳（メタデータ） (2023-03-06T02:05:14Z) - Asynchronous Trajectory Matching-Based Multimodal Maritime Data Fusion
for Vessel Traffic Surveillance in Inland Waterways [12.7548343467665]
自動識別システム(AIS)とビデオカメラは、内陸水路における船舶の交通監視に広く利用されている。
本稿では,AIS ベースの容器情報と対応する視覚的目標とを融合させる,深層学習対応非同期軌道マッチング手法を提案する。
さらに,AISと映像に基づく動作特徴を組み合わせることで,より正確で堅牢な血管追跡結果を得るための知識駆動型抗閉塞法も提案する。
論文 参考訳（メタデータ） (2023-02-22T11:00:34Z) - Real-Time Traffic End-of-Queue Detection and Tracking in UAV Video [0.13525723298325706]
本研究では,UAVが捉えたハイウェイ作業区域の映像をリアルタイムに映像化することで,交通の終端(EOQ)を検出するための概念実証を行う。
この手法は、車両のEOQを検知し、特別なイベント、交通渋滞、建設、事故によって車両が急速に蓄積している他の道路や交差点でもドライバーに通知することができる。
論文 参考訳（メタデータ） (2023-01-10T00:22:30Z) - Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。
畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
論文 参考訳（メタデータ） (2022-10-10T17:37:56Z) - 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) - Safe Vessel Navigation Visually Aided by Autonomous Unmanned Aerial
Vehicles in Congested Harbors and Waterways [9.270928705464193]
この研究は、従来のRGBカメラと補助的な絶対位置決めシステム(GPSなど)で捉えた長距離視覚データから未知の物体までの距離を検知し推定する最初の試みである。
シミュレーション結果は,UAV支援艦艇の視覚支援航法における提案手法の精度と有効性を示すものである。
論文 参考訳（メタデータ） (2021-08-09T08:15:17Z) - A Multi-UAV System for Exploration and Target Finding in Cluttered and
GPS-Denied Environments [68.31522961125589]
複雑なGPSを用いた複雑な環境において,UAVのチームが協調して目標を探索し,発見するための枠組みを提案する。
UAVのチームは自律的にナビゲートし、探索し、検出し、既知の地図で散らばった環境でターゲットを見つける。
その結果, 提案方式は, 時間的コスト, 調査対象地域の割合, 捜索・救助ミッションの成功率などの面で改善されていることがわかった。
論文 参考訳（メタデータ） (2021-07-19T12:54:04Z) - Deep traffic light detection by overlaying synthetic context on
arbitrary natural images [49.592798832978296]
深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。
このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。
また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
論文 参考訳（メタデータ） (2020-11-07T19:57:22Z) - Perceiving Traffic from Aerial Images [86.994032967469]
本研究では,空中画像中の物体を検出するために,バタフライ検出器と呼ばれる物体検出手法を提案する。
UAVDT(UAVDT)とVisDrone 2019(VisDrone 2019)の2つのUAVデータセット上でButterfly Detectorを評価し、従来の最先端の手法よりも高速に動作し、かつリアルタイムに動作可能であることを示す。
論文 参考訳（メタデータ） (2020-09-16T11:37:43Z)
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。