論文の概要: Using Deep Neural Networks to Quantify Parking Dwell Time

• arxiv url: http://arxiv.org/abs/2411.00158v1
• Date: Thu, 31 Oct 2024 19:02:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:50:13.128925
• Title: Using Deep Neural Networks to Quantify Parking Dwell Time
• Title（参考訳）: 深層ニューラルネットワークによるパーキングドウェル時間の定量化
• Authors: Marcelo Eduardo Marques Ribas, Heloisa Benedet Mendes, Luiz Eduardo Soares de Oliveira, Luiz Antonio Zanlorensi, Paulo Ricardo Lisboa de Almeida,
• Abstract要約: スマートシティでは、駐車スペースの最大滞在距離を定義して空間の回転性を高めることが一般的である。 本稿では,2つのディープニューラルネットワークを組み合わせることで,駐車場内の各車の滞留時間を計算する手法を提案する。
• 参考スコア（独自算出の注目度）: 1.401593872543569
• License:
• Abstract: In smart cities, it is common practice to define a maximum length of stay for a given parking space to increase the space's rotativity and discourage the usage of individual transportation solutions. However, automatically determining individual car dwell times from images faces challenges, such as images collected from low-resolution cameras, lighting variations, and weather effects. In this work, we propose a method that combines two deep neural networks to compute the dwell time of each car in a parking lot. The proposed method first defines the parking space status between occupied and empty using a deep classification network. Then, it uses a Siamese network to check if the parked car is the same as the previous image. Using an experimental protocol that focuses on a cross-dataset scenario, we show that if a perfect classifier is used, the proposed system generates 75% of perfect dwell time predictions, where the predicted value matched exactly the time the car stayed parked. Nevertheless, our experiments show a drop in prediction quality when a real-world classifier is used to predict the parking space statuses, reaching 49% of perfect predictions, showing that the proposed Siamese network is promising but impacted by the quality of the classifier used at the beginning of the pipeline.
• Abstract（参考訳）: スマートシティでは、駐車スペースの最大滞在期間を定義し、空間の回転性を高め、個々の交通ソリューションの使用を阻止することが一般的である。 しかし、低解像度カメラから収集された画像、照明のバリエーション、気象効果などの課題に直面した画像から、個々の車の居住時間を自動で決定する。 本研究では,2つのディープニューラルネットワークを組み合わせることで,駐車場内の各車の滞留時間を算出する手法を提案する。 提案手法は、まず、深い分類網を用いて、占有と空きの間の駐車スペースのステータスを定義する。 次に、Sameseネットワークを使用して、駐車中の車が以前の画像と同じかどうかをチェックする。 クロスデータセットのシナリオに焦点をあてた実験的なプロトコルを用いて,完全分類器を用いた場合,提案システムでは,車両の駐車時間と正確に一致した予測値の75%を自動生成することを示した。 しかし,本実験では,実世界の分類器を用いて駐車空間の状態を予測した場合の予測品質が低下し,完全予測の49%に達し,提案したシームズネットワークが期待できるが,パイプラインの開始時に使用する分類器の品質に影響していることを示す。

関連論文リスト

• Truck Parking Usage Prediction with Decomposed Graph Neural Networks [15.291200515217513]
  貨物回廊のトラックの駐車は、不十分な駐車場の大きな課題に直面している。 正確な駐車場利用予測を提供することは、安全でない駐車慣行を減らすためのコスト効率の高いソリューションであることが示されている。 本稿では地域時間グラフニューラルネットワーク(RegT-CN)を提案する。
  論文  参考訳（メタデータ） (2024-01-23T17:14:01Z)
• Nighttime Driver Behavior Prediction Using Taillight Signal Recognition via CNN-SVM Classifier [2.44755919161855]
  本研究の目的は、人間駆動車と自律車の両方のテールライトを特定し、夜間運転行動を予測する能力を高めることである。 提案モデルでは、道路の前方のテールライトを正確に検出するカスタム検出器が組み込まれている。 夜間の限られたデータに対処するため、昼間の画像をリアルな夜のイメージに変換するために、ユニークな画素ワイズ画像処理技術を実装した。
  論文  参考訳（メタデータ） (2023-10-25T15:23:33Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Vehicle Trajectory Prediction on Highways Using Bird Eye View Representations and Deep Learning [0.5420492913071214]
  本研究では,効率的な鳥の視線表示と畳み込みニューラルネットワークを用いた高速道路シナリオにおける車両軌跡の予測手法を提案する。 U-netモデルは予測カーネルとして選択され、画像から画像への回帰アプローチを用いてシーンの将来の視覚表現を生成する。 生成したグラフィカル表現から車の位置を抽出してサブピクセル解像度を実現する手法が実装されている。
  論文  参考訳（メタデータ） (2022-07-04T13:39:46Z)
• ParkPredict+: Multimodal Intent and Motion Prediction for Vehicles in Parking Lots with CNN and Transformer [11.287187018907284]
  本稿では,駐車場における人間駆動車両の多目的意図と軌道予測について述べる。 CNNとTransformerネットワークで設計したモデルを用いて,時間空間的・文脈的な情報を軌跡履歴や鳥の視線意味画像から抽出する。 提案手法は,任意のモードを許容しながら,既存のモデルよりも精度が高い。 さらに,駐車場において,高解像度でリッチな交通シナリオを備えた最初の一般人運転データセットを提示する。
  論文  参考訳（メタデータ） (2022-04-17T01:54:25Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• Model-based Decision Making with Imagination for Autonomous Parking [50.41076449007115]
  提案アルゴリズムは,駐車前に結果を予測するための想像モデル,高速探索ランダムツリー(RRT)の改良,経路平滑化モジュールの3つの部分から構成される。 われわれのアルゴリズムは、実際のキネマティックな車両モデルに基づいており、実際の自動運転車にアルゴリズムを適用するのにより適している。 アルゴリズムの有効性を評価するため,3つの異なる駐車シナリオにおいて,従来のRTとアルゴリズムを比較した。
  論文  参考訳（メタデータ） (2021-08-25T18:24:34Z)
• Automated Parking Space Detection Using Convolutional Neural Networks [0.30458514384586394]
  We have used computer vision technique to infer the state of the parking lot because the data collected from the University of The Witwatersrand。 本稿では,CaffeとNvidia DiGITSフレームワークを用いた畳み込みニューラルネットワーク(CNN)に基づくリアルタイム駐車空間分類手法を提案する。
  論文  参考訳（メタデータ） (2021-06-14T08:30:38Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
  我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。 本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。 以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
  論文  参考訳（メタデータ） (2020-04-21T20:46:32Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。