論文の概要: SurfaceAI: Automated creation of cohesive road surface quality datasets based on open street-level imagery
- arxiv url: http://arxiv.org/abs/2409.18922v1
- Date: Fri, 27 Sep 2024 17:13:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-01 07:51:30.124515
- Title: SurfaceAI: Automated creation of cohesive road surface quality datasets based on open street-level imagery
- Title（参考訳）: SurfaceAI:オープンストリートレベルの画像に基づく凝集性路面品質データセットの自動作成
- Authors: Alexandra Kapp, Edith Hoffmann, Esther Weigmann, Helena Mihaljević,
- Abstract要約: SurfaceAIは、路面タイプと品質に関する総合的なジオレファレンスデータセットを、公開可能なストリートレベルの画像から生成する。
モチベーションは、道路不均一が交通参加者の安全と快適性に与える影響に起因している。
- 参考スコア（独自算出の注目度）: 41.94295877935867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces SurfaceAI, a pipeline designed to generate comprehensive georeferenced datasets on road surface type and quality from openly available street-level imagery. The motivation stems from the significant impact of road unevenness on the safety and comfort of traffic participants, especially vulnerable road users, emphasizing the need for detailed road surface data in infrastructure modeling and analysis. SurfaceAI addresses this gap by leveraging crowdsourced Mapillary data to train models that predict the type and quality of road surfaces visible in street-level images, which are then aggregated to provide cohesive information on entire road segment conditions.
- Abstract（参考訳）: 本稿では,道路面の形状と品質に関する総合的なジオレファレンスデータセットを生成するためのパイプラインであるSurfaceAIを紹介する。
この動機は、交通参加者、特に脆弱な道路利用者の安全と快適性に対する道路不均一性の重大な影響に起因し、インフラのモデリングと分析において詳細な道路表面データの必要性を強調した。
SurfaceAIはこのギャップに対処するため、クラウドソーシングされたMapillaryデータを活用して、ストリートレベルの画像で見える道路表面のタイプと品質を予測するモデルを訓練し、道路セグメント全体の密集情報を提供する。
関連論文リスト
- StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。
StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。
スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
論文 参考訳（メタデータ） (2024-10-06T04:21:59Z) - StreetSurfaceVis: a dataset of crowdsourced street-level imagery annotated by road surface type and quality [41.94295877935867]
ドイツから9,122枚のストリートレベルの画像からなる新しいデータセットであるStreetSurfaceVisを紹介した。
多様な画像ソース間で高い精度を維持する頑健なモデルを実現することを目的としている。
論文 参考訳（メタデータ） (2024-07-31T08:59:33Z) - Improving classification of road surface conditions via road area extraction and contrastive learning [2.9109581496560044]
画像中の道路面に下流分類モデルのみを集中させるセグメンテーションモデルを導入する。
公開RTKデータセットに対する実験により,提案手法の大幅な改善が示された。
論文 参考訳（メタデータ） (2024-07-19T15:43:16Z) - Computer vision-based model for detecting turning lane features on Florida's public roadways [2.5849315636929475]
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。
論文 参考訳（メタデータ） (2024-06-13T05:28:53Z) - Road Surface Friction Estimation for Winter Conditions Utilising General Visual Features [0.4972323953932129]
本稿では,道路側カメラによる路面摩擦のコンピュータビジョンによる評価について検討する。
本稿では、事前学習された視覚変換器モデルと畳み込みブロックからなるハイブリッドディープラーニングアーキテクチャWCamNetを提案する。
論文 参考訳（メタデータ） (2024-04-25T12:46:23Z) - 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) - 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) - Learning to integrate vision data into road network data [14.86655504533083]
道路ネットワークは、コネクテッドおよび自律走行車の中核となるインフラである。
本稿では、グラフニューラルネットワークによる埋め込みを改善するために、リモートセンシングビジョンデータをネットワークデータに統合することを提案する。
中国・成都市におけるOSM+Di Chuxingデータセットの最先端性能を実現した。
論文 参考訳（メタデータ） (2021-12-20T15:38:49Z) - 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)
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。