論文の概要: Finetuning YOLOv9 for Vehicle Detection: Deep Learning for Intelligent Transportation Systems in Dhaka, Bangladesh
- arxiv url: http://arxiv.org/abs/2410.08230v2
- Date: Mon, 14 Oct 2024 00:19:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 04:36:03.715317
- Title: Finetuning YOLOv9 for Vehicle Detection: Deep Learning for Intelligent Transportation Systems in Dhaka, Bangladesh
- Title（参考訳）: バングラデシュ・ダッカにおけるインテリジェントトランスポーテーションシステムのための深層学習
- Authors: Shahriar Ahmad Fahim,
- Abstract要約: バングラデシュ政府は、スマートモビリティを「スマートバングラデシュビジョン2041」に向けた重要なステップとして、ITSの統合を認めている。
本稿では,バングラデシュのデータセット上で訓練されたネイティブ車両を検出するための細調整対象検出器 YOLOv9 モデルを提案する。
その結果, 平均精度(mAP)は平均値0.934で, IoU(Intersection over Union)は0.5。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rapid urbanization in megacities around the world, like Dhaka, has caused numerous transportation challenges that need to be addressed. Emerging technologies of deep learning and artificial intelligence can help us solve these problems to move towards Intelligent Transportation Systems (ITS) in the city. The government of Bangladesh recognizes the integration of ITS to ensure smart mobility as a vital step towards the development plan "Smart Bangladesh Vision 2041", but faces challenges in understanding ITS, its effects, and directions to implement. A vehicle detection system can pave the way to understanding traffic congestion, finding mobility patterns, and ensuring traffic surveillance. So, this paper proposes a fine-tuned object detector, the YOLOv9 model to detect native vehicles trained on a Bangladesh-based dataset. Results show that the fine-tuned YOLOv9 model achieved a mean Average Precision (mAP) of 0.934 at the Intersection over Union (IoU) threshold of 0.5, achieving state-of-the-art performance over past studies on Bangladesh-based datasets, shown through a comparison. Later, by suggesting the model to be deployed on CCTVs (closed circuit television) on the roads, a conceptual technique is proposed to process the vehicle detection model output data in a graph structure creating a vehicle detection system in the city. Finally, applications of such vehicle detection system are discussed showing a framework on how it can solve further ITS research questions, to provide a rationale for policymakers to implement the proposed vehicle detection system in the city.
- Abstract（参考訳）: ダッカのような世界の大都市での急速な都市化は、多くの交通問題に対処する必要がある。
ディープラーニングと人工知能の新たな技術は、これらの問題を解決し、市内のインテリジェントトランスポーテーションシステム(ITS)に移行するのに役立ちます。
バングラデシュ政府は、スマートモビリティを「スマートバングラデシュビジョン2041」の開発計画に向けた重要なステップとして、ITSの統合を認めているが、ITS、その効果、実装の方向性を理解する上での課題に直面している。
車両検知システムは、交通渋滞を理解し、モビリティパターンを見つけ、交通監視を確実にする方法を舗装することができる。
そこで本稿では,バングラデシュのデータセット上で訓練されたネイティブ車両を検出するための,微調整対象検出器 YOLOv9 モデルを提案する。
その結果, ヨロブ9モデルが平均平均精度0.934mAPを0.5のIoU閾値で達成し, バングラデシュをベースとした過去の研究結果と比較した。
その後、道路上のCCTV(閉鎖回路テレビ)に配置するモデルを提案することにより、市内に車両検知システムを構築するグラフ構造における車両検出モデル出力データを処理するための概念的手法を提案する。
最後に,このような車両検知システムの応用について考察し,都市に提案する車両検出システムを実装するための政策立案者への合理的な根拠を提供するため,さらなる問題を解決するための枠組みを提示する。
関連論文リスト
- GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [82.19172267487998]
GARLIC: GPT拡張強化学習のフレームワーク。
本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
論文 参考訳（メタデータ） (2024-08-19T08:23:38Z) - BadODD: Bangladeshi Autonomous Driving Object Detection Dataset [0.0]
バングラデシュの9地区にわたる多様な運転環境における物体検出のための包括的データセットを提案する。
スマートフォンカメラからのみ収集されたデータセットは、現実のシナリオを現実的に表現したものだ。
論文 参考訳（メタデータ） (2024-01-19T12:26:51Z) - Smart City Transportation: Deep Learning Ensemble Approach for Traffic
Accident Detection [0.0]
本稿では,スマートシティ交通監視システムにおける事故検出に適した軽量ソリューションであるI3D-CONVLSTM2Dモデルアーキテクチャを提案する。
I3D-CONVLSTM2D RGB + Optical-Flow (Trainable) モデルでは, 平均精度が87%, 平均精度が87%であった。
我々の研究は、スマート都市インフラ内のエッジIoTデバイスへのリアルタイム統合を前提とした、高度な視覚ベースの事故検出システムへの道筋を照らしている。
論文 参考訳（メタデータ） (2023-10-16T03:47:08Z) - Smart Infrastructure: A Research Junction [5.172393727004225]
本稿では,ドイツ・アシャッフェンブルクの公的な市内交差点に位置する視覚センサ技術を備えたインテリジェントな研究基盤について紹介する。
マルチビューカメラシステムは、交通状況を監視し、道路利用者の行動を知覚する。
このシステムは、データ生成の研究、新しいHADセンサーシステム、アルゴリズム、人工知能(AI)トレーニング戦略の評価に使用される。
論文 参考訳（メタデータ） (2023-07-12T14:04:12Z) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳（メタデータ） (2023-03-08T00:48:32Z) - Intelligent Traffic Monitoring with Hybrid AI [78.65479854534858]
マルチモーダルコンテキスト理解のためのニューロシンボリックアーキテクチャであるHANSを紹介する。
HANSが交通監視に関わる課題にどのように対処するかを示すとともに,幅広い推論手法と統合可能であることを示す。
論文 参考訳（メタデータ） (2022-08-31T17:47:22Z) - SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous
Driving [94.11868795445798]
我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。
多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。
我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
論文 参考訳（メタデータ） (2021-06-21T13:55:57Z) - MTH-IDS: A Multi-Tiered Hybrid Intrusion Detection System for Internet
of Vehicles [12.280524044112708]
車両ネットワークに対する既知の攻撃と未知の攻撃の両方を検出するために,ハイブリッド侵入検知システム (IDS) を提案する。
提案システムは,CAN-Intrusion-datasetにおいて,99.99%の精度で様々な種類の既知の攻撃を検出できる。
車両レベルのマシン上の各データパケットの平均処理時間は0.6ms未満である。
論文 参考訳（メタデータ） (2021-05-26T17:36:35Z) - AI in Smart Cities: Challenges and approaches to enable road vehicle
automation and smart traffic control [56.73750387509709]
SCCは、活動やユーティリティの自動化と最適化による効率向上を目指すデータ中心の社会を構想しています。
本稿では、SCCにおけるAIの視点を説明し、道路車両の自動化とスマート交通制御を可能にする交通で使用されるAIベースの技術の概要を示す。
論文 参考訳（メタデータ） (2021-04-07T14:31:08Z) - Smart Urban Mobility: When Mobility Systems Meet Smart Data [55.456196356335745]
都市人口は都市部で約25億人に達し、道路交通量は2050年までに12億台を超えた。
輸送部門の経済貢献は欧州のGDPの5%を占め、アメリカでは平均482.05億ドルの費用がかかる。
論文 参考訳（メタデータ） (2020-05-09T13:53:01Z) - Improved YOLOv3 Object Classification in Intelligent Transportation
System [29.002873450422083]
高速道路における車両・運転者・人の検出・分類を実現するために, YOLOv3に基づくアルゴリズムを提案する。
モデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑丈である。
論文 参考訳（メタデータ） (2020-04-08T11:45:13Z)
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。