論文の概要: Classifying Bicycle Infrastructure Using On-Bike Street-Level Images

• arxiv url: http://arxiv.org/abs/2410.19194v1
• Date: Thu, 24 Oct 2024 22:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-28 13:36:38.765298
• Title: Classifying Bicycle Infrastructure Using On-Bike Street-Level Images
• Title（参考訳）: オンデマンドストリートレベル画像を用いた自転車のインフラ分類
• Authors: Kal Backman, Ben Beck, Dana Kulić,
• Abstract要約: 多くの潜在的なサイクリストは、適切な安全なインフラが欠如しているため、サイクリングを控えている。 自転車用スマートフォンカメラデータから利用可能なサイクリングインフラを分類できるシステムを提案する。 この研究は、自転車に搭載された携帯電話カメラから収集されたストリートレベルの画像のみを使用して、サイクリングインフラを分類した最初のものである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: While cycling offers an attractive option for sustainable transportation, many potential cyclists are discouraged from taking up cycling due to the lack of suitable and safe infrastructure. Efficiently mapping cycling infrastructure across entire cities is necessary to advance our understanding of how to provide connected networks of high-quality infrastructure. Therefore we propose a system capable of classifying available cycling infrastructure from on-bike smartphone camera data. The system receives an image sequence as input, temporally analyzing the sequence to account for sparsity of signage. The model outputs cycling infrastructure class labels defined by a hierarchical classification system. Data is collected via participant cyclists covering 7,006Km across the Greater Melbourne region that is automatically labeled via a GPS and OpenStreetMap database matching algorithm. The proposed model achieved an accuracy of 95.38%, an increase in performance of 7.55% compared to the non-temporal model. The model demonstrated robustness to extreme absence of image features where the model lost only 6.6% in accuracy after 90% of images being replaced with blank images. This work is the first to classify cycling infrastructure using only street-level imagery collected from bike-mounted mobile phone cameras, while demonstrating robustness to feature sparsity via long temporal sequence analysis.
• Abstract（参考訳）: サイクリングは持続可能な交通手段として魅力的な選択肢であるが、多くの潜在的なサイクリストは適切な安全インフラが欠如しているため、サイクリングの実施を妨げている。 都市全体の循環インフラを効率的にマッピングすることは、高品質なインフラのネットワークの接続方法の理解を深める上で必要である。 そこで本研究では,車載スマートフォンカメラデータから利用可能なサイクリングインフラを分類できるシステムを提案する。 システムは、画像シーケンスを入力として受信し、そのシーケンスを時間的に解析し、符号の空間性を考慮する。 このモデルは階層的な分類システムによって定義されたサイクリングインフラストラクチャクラスラベルを出力する。 GPSとOpenStreetMapのデータベースマッチングアルゴリズムによって自動的にラベル付けされる。 提案したモデルでは95.38%の精度が達成され、非時間モデルと比較して7.55%の性能が向上した。 このモデルは、90%の画像を空白画像に置き換えた後、精度が6.6%しか失われていない画像の特徴が極端に欠如していることを示していた。 この研究は、自転車に搭載された携帯電話カメラから収集されたストリートレベルの画像のみを使用して、自転車のインフラを分類する最初のものである。

関連論文リスト

• Evaluating the effects of Data Sparsity on the Link-level Bicycling Volume Estimation: A Graph Convolutional Neural Network Approach [54.84957282120537]
  本稿では,リンクレベルの自転車のボリュームをモデル化するために,グラフ畳み込みネットワークアーキテクチャを利用する最初の研究について述べる。 オーストラリア,メルボルン市全体での年間平均自転車数(AADB)を,Strava Metro の自転車数データを用いて推定した。 以上の結果から,GCNモデルは従来のAADB数予測モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• Bent & Broken Bicycles: Leveraging synthetic data for damaged object re-identification [59.80753896200009]
  変形や欠落による視覚的外観の変化と微妙なクラス内変化を区別することを目的とした,損傷対象の再識別の新たな課題を提案する。 我々は、コンピュータ生成画像のパワーを活用して、半自動で、損傷前後に同じ自転車の高品質な合成画像を作成する。 このタスクのベースラインとして,マルチタスクでトランスフォーマーをベースとしたディープネットワークであるTransReI3Dを提案する。
  論文  参考訳（メタデータ） (2023-04-16T20:23:58Z)
• BikeDNA: A Tool for Bicycle Infrastructure Data & Network Assessment [0.0]
  BikeDNAは、自転車のインフラデータの再現可能な品質評価のためのオープンソースツールである。 BikeDNAは、幅広いアプリケーションのための自転車インフラデータの品質評価をサポートする。
  論文  参考訳（メタデータ） (2023-03-02T13:06:59Z)
• Monocular Cyclist Detection with Convolutional Neural Networks [0.0]
  本研究は,盲点に対する運転者の注意不足に起因する車両と自転車の衝突回数を減らすことを目的としている。 我々は、物体検出畳み込みニューラルネットワークを用いてサイクリストを検出できる最先端のリアルタイム単眼サイクリスト検出を設計した。 このサイクリスト検出装置は、サイクリストを正確にかつ迅速に検出し、サイクリストの安全性を大幅に向上させる可能性があると結論付けている。
  論文  参考訳（メタデータ） (2023-01-16T13:54:13Z)
• Predicting Citi Bike Demand Evolution Using Dynamic Graphs [81.12174591442479]
  ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用した。 本稿では,ニューヨーク市のCiti Bikeデータセットにおける自転車需要予測にグラフニューラルネットワークモデルを適用しようとする。
  論文  参考訳（メタデータ） (2022-12-18T21:43:27Z)
• Mapping suburban bicycle lanes using street scene images and deep learning [0.0]
  本論文は、各道路からサンプルストリートシーン画像を取り出すことにより、測量エリアにおける自転車レーンの地図を作成する方法を提案する。 自転車レーンのシンボルを認識するために訓練された深層学習モデルを適用した。 この手法はメルボルン郊外の測量エリアの地図作成に有効であった。
  論文  参考訳（メタデータ） (2022-04-27T04:56:26Z)
• Automated Detection of Missing Links in Bicycle Networks [0.15293427903448023]
  我々は,都市の自転車ネットワークにおいて最も重要なリンクを見つけるためのIPDC手順(Identify, Prioritize, Decluster, Classify)を開発した。 まず、多重化ネットワークアプローチによるすべての可能なギャップを特定し、フローベースのメトリックに従って優先順位付けし、新たなギャップクラスタを分解し、手動でギャップのタイプを分類する。 以上の結果から,最小データ要件によるネットワーク分析が,自転車ネットワーク計画の費用効率向上支援ツールとして有効であることを示す。
  論文  参考訳（メタデータ） (2022-01-10T15:35:14Z)
• CyclingNet: Detecting cycling near misses from video streams in complex urban scenes with deep learning [1.462434043267217]
  CyclingNetは、自己注意型双方向長短メモリ(LSTM)ブロックに埋め込まれた畳み込み構造に基づく深層コンピュータビジョンモデルである。 1つのGPUで42時間トレーニングした後、モデルはトレーニング、テスト、バリデーションセットに対して高い精度を示す。 このモデルは、都市のサイクリング行動に関する重要な結論を導く情報を生成するために使用されることを意図している。
  論文  参考訳（メタデータ） (2021-01-31T23:59:28Z)
• Dynamic Bicycle Dispatching of Dockless Public Bicycle-sharing Systems using Multi-objective Reinforcement Learning [79.61517670541863]
  ドッキングレスPBS(DL-PBS)に欠かせない動的自転車レンタル需要に基づく効率的な自転車配車ソリューションを実現するためのAIの活用 DL-PBSに最適な自転車ディスパッチソリューションを提供するために、マルチオブジェクト強化学習(MORL-BD)に基づく動的自転車ディスパッチアルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-01-19T03:09:51Z)
• Dynamic Planning of Bicycle Stations in Dockless Public Bicycle-sharing System Using Gated Graph Neural Network [79.61517670541863]
  Dockless Public Bicycle-share (DL-PBS)ネットワークは多くの国でますます人気が高まっています。 冗長で低電力の駅は、DL-PBSベンダーの公共都市空間とメンテナンスコストを無駄にします。 DL-PBSネットワークに最適な自転車ステーションレイアウトを動的に提供できるよう、BSDP(自転車ステーションダイナミックプランニング)システムを提案します。
  論文  参考訳（メタデータ） (2021-01-19T02:51:12Z)

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。