論文の概要: Computer vision-based model for detecting turning lane features on Florida's public roadways
- arxiv url: http://arxiv.org/abs/2406.08822v1
- Date: Thu, 13 Jun 2024 05:28:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-14 21:18:27.672891
- Title: Computer vision-based model for detecting turning lane features on Florida's public roadways
- Title（参考訳）: フロリダ州の公道における車線特徴検出のためのコンピュータビジョンモデル
- Authors: Richard Boadu Antwi, Samuel Takyi, Kimollo Michael, Alican Karaer, Eren Erman Ozguven, Ren Moses, Maxim A. Dulebenets, Thobias Sando,
- Abstract要約: 本研究では,AIを用いた高解像度空中画像からフロリダ州の公道の道路特徴を検出する。
抽出された道路形状データは、事故や交通データと統合して、政策立案者や道路利用者に貴重な洞察を与えることができる。
- 参考スコア（独自算出の注目度）: 2.5849315636929475
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Efficient and current roadway geometry data collection is critical to transportation agencies in road planning, maintenance, design, and rehabilitation. Data collection methods are divided into land-based and aerial-based. Land-based methods for extensive highway networks are tedious, costly, pose safety risks. Therefore, there is the need for efficient, safe, and economical data acquisition methodologies. The rise of computer vision and object detection technologies have made automated extraction of roadway geometry features feasible. This study detects roadway features on Florida's public roads from high-resolution aerial images using AI. The developed model achieved an average accuracy of 80.4 percent when compared with ground truth data. The extracted roadway geometry data can be integrated with crash and traffic data to provide valuable insights to policymakers and roadway users.
- Abstract（参考訳）: 効率的な道路形状データ収集は、道路計画、整備、設計、リハビリテーションにおいて交通機関にとって重要である。
データ収集方法は陸地と空地に分けられる。
広域ハイウェイネットワークのための土地ベースの手法は、退屈でコストがかかり、安全性のリスクが生じる。
したがって、効率的で安全で経済的なデータ取得手法が必要である。
コンピュータビジョンと物体検出技術の台頭により、道路形状の自動抽出が可能になった。
本研究では,AIを用いた高解像度空中画像からフロリダ州の公道の道路特徴を検出する。
開発されたモデルは、地上の真実データと比較すると平均80.4%の精度を達成した。
抽出された道路形状データは、事故や交通データと統合して、政策立案者や道路利用者に貴重な洞察を与えることができる。
関連論文リスト
- Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。
本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。
我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
論文 参考訳（メタデータ） (2024-10-10T10:10:03Z) - Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。
さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。
その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
論文 参考訳（メタデータ） (2024-08-15T00:51:48Z) - 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) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - Automatic Extraction of Relevant Road Infrastructure using Connected
vehicle data and Deep Learning Model [4.235459779667272]
本稿では,コネクテッドカーデータと最先端のディープラーニング技術を活用した新しいアプローチを提案する。
道路区間にジオハッシングを施し,道路区間の画像表現を生成することにより,道路区間と交差点の正確な分類にYOLOv5アルゴリズムを用いる。
実験の結果,97%のF1スコア,90%のF1スコアに到達した。
論文 参考訳（メタデータ） (2023-08-10T15:57:47Z) - RoadScan: A Novel and Robust Transfer Learning Framework for Autonomous
Pothole Detection in Roads [0.0]
本研究では,ディープラーニングと画像処理技術を用いた新しいポットホール検出手法を提案する。
このシステムは、道路利用者に重大なリスクをもたらす道路上の穴の致命的な問題に対処することを目的としている。
論文 参考訳（メタデータ） (2023-08-07T10:47:08Z) - Road Damages Detection and Classification with YOLOv7 [0.0]
本研究は,Googleストリートビューを用いて道路被害データを収集,ラベル付けし,YOLOv7(You Only Look Once Version 7)を使用することを提案する。
提案手法は,クラウドセンシングによる道路被害検出チャレンジ (CRDDC2022, IEEE BigData 2022) に適用される。
論文 参考訳（メタデータ） (2022-10-31T18:55:58Z) - 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) - Convolutional Recurrent Network for Road Boundary Extraction [99.55522995570063]
我々は,LiDARとカメラ画像からの道路境界抽出の問題に取り組む。
我々は,完全畳み込みネットワークが道路境界の位置と方向をエンコードする深い特徴量を得る構造化モデルを設計する。
北米の大都市において,道路境界の完全なトポロジを99.3%の時間で得られる方法の有効性を示す。
論文 参考訳（メタデータ） (2020-12-21T18:59:12Z) - 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)
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。