論文の概要: ETLNet: An Efficient TCN-BiLSTM Network for Road Anomaly Detection Using Smartphone Sensors
- arxiv url: http://arxiv.org/abs/2412.04990v1
- Date: Fri, 06 Dec 2024 12:27:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-09 15:57:27.635192
- Title: ETLNet: An Efficient TCN-BiLSTM Network for Road Anomaly Detection Using Smartphone Sensors
- Title（参考訳）: ETLNet:スマートフォンセンサを用いた道路異常検出のための効率的なTN-BiLSTMネットワーク
- Authors: Mohd Faiz Ansari, Rakshit Sandilya, Mohammed Javed, David Doermann,
- Abstract要約: 路面異常は、路面上または路面自体の異常として定義することができる。
スピードバンプは、安全のために意図的に配置されるが、その非標準形状、サイズ、適切なマーキングの欠如により危険である。
ポットホールは意図せず、深刻な損傷を引き起こすことがある。
- 参考スコア（独自算出の注目度）: 2.603510582351217
- License:
- Abstract: Road anomalies can be defined as irregularities on the road surface or in the surface itself. Some may be intentional (such as speedbumps), accidental (such as materials falling off a truck), or the result of roads' excessive use or low or no maintenance, such as potholes. Despite their varying origins, these irregularities often harm vehicles substantially. Speed bumps are intentionally placed for safety but are dangerous due to their non-standard shape, size, and lack of proper markings. Potholes are unintentional and can also cause severe damage. To address the detection of these anomalies, we need an automated road monitoring system. Today, various systems exist that use visual information to track these anomalies. Still, due to poor lighting conditions and improper or missing markings, they may go undetected and have severe consequences for public transport, automated vehicles, etc. In this paper, the Enhanced Temporal-BiLSTM Network (ETLNet) is introduced as a novel approach that integrates two Temporal Convolutional Network (TCN) layers with a Bidirectional Long Short-Term Memory (BiLSTM) layer. This combination is tailored to detect anomalies effectively irrespective of lighting conditions, as it depends not on visuals but smartphone inertial sensor data. Our methodology employs accelerometer and gyroscope sensors, typically in smartphones, to gather data on road conditions. Empirical evaluations demonstrate that the ETLNet model maintains an F1-score for detecting speed bumps of 99.3%. The ETLNet model's robustness and efficiency significantly advance automated road surface monitoring technologies.
- Abstract（参考訳）: 路面異常は、路面上または路面自体の異常として定義することができる。
意図的な(スピードバンプなど)、偶発的な(トラックから落下する材料など)、あるいは道路の過度な使用の結果、あるいはポットホールのような保守不足の結果である。
起源は様々だが、これらの不規則さは車両に大きな損害を与えることが多い。
スピードバンプは、安全のために意図的に配置されるが、その非標準形状、サイズ、適切なマーキングの欠如により危険である。
ポットホールは意図せず、深刻な損傷を引き起こすことがある。
これらの異常の検出に対処するためには,自動道路監視システムが必要である。
現在、これらの異常を追跡するために視覚情報を使用する様々なシステムが存在する。
それでも、照明条件の悪さや不適切な、または不適切なマーキングのため、検出されず、公共交通機関や自動走行車などに深刻な影響をもたらす可能性がある。
本稿では,2つの時間畳み込みネットワーク(TCN)層を双方向長短期記憶(BiLSTM)層に統合する新しいアプローチとして,ETLNet(Enhanced Temporal-BiLSTM Network)を導入した。
この組み合わせは、視覚だけでなくスマートフォンの慣性センサーデータにも依存するため、照明条件に関係なく、効果的に異常を検出するように調整されている。
本手法では加速度計とジャイロセンサーを用いて道路状況のデータを収集する。
実証的な評価では、ETLNetモデルは99.3%のスピードアップを検出するためのF1スコアを維持している。
ETLNetモデルの堅牢性と効率は、自動路面監視技術を大幅に進歩させる。
関連論文リスト
- 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) - VegaEdge: Edge AI Confluence Anomaly Detection for Real-Time Highway
IoT-Applications [2.812395851874055]
車両の異常検出は、事故防止、迅速な応答、交通流の最適化、ワークゾーンの安全など、高速道路の安全用途において重要な役割を担っている。
軌道予測のパワーを利用した車両異常検出への軽量なアプローチを提案する。
私たちは、現代のハイウェイ環境でリアルタイムのセキュリティと監視アプリケーションのために設計された、洗練されたAIコンバレンスであるVegaEdgeを紹介します。
論文 参考訳（メタデータ） (2023-11-14T03:19:55Z) - Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳（メタデータ） (2023-09-21T15:00:31Z) - Infrastructure-based End-to-End Learning and Prevention of Driver
Failure [68.0478623315416]
フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。
制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。
速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
論文 参考訳（メタデータ） (2023-03-21T22:55:51Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for
Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。
ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文 参考訳（メタデータ） (2022-09-29T01:30:34Z) - Blind-Spot Collision Detection System for Commercial Vehicles Using
Multi Deep CNN Architecture [0.17499351967216337]
高レベル特徴記述子に基づく2つの畳み込みニューラルネットワーク(CNN)は、重車両の盲点衝突を検出するために提案される。
盲点車両検出のための高次特徴抽出のための2つの事前学習ネットワークを統合するために,融合手法を提案する。
機能の融合により、より高速なR-CNNの性能が大幅に向上し、既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-08-17T11:10:37Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - Non-Compression Auto-Encoder for Detecting Road Surface Abnormality via
Vehicle Driving Noise [0.0]
道路事故は、滑走抵抗を減少させるため、濡れた道路によって引き起こされることがある。
道路事故を防ぐために、路面異常を検出することができます。
非圧縮オートエンコーダ(NCAE)を用いたディープラーニングに基づくコスト効率の高いリアルタイム異常検出アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-03-24T05:13:50Z) - Towards Anomaly Detection in Dashcam Videos [9.558392439655012]
本稿では,ディープラーニングによるデータ駆動型異常検出のアイデアをダッシュカムビデオに適用することを提案する。
トラックダッシュカムビデオ、すなわちRetroTrucksの大規模で多様なデータセットを提示する。
本研究では, (i) クラス分類損失と (ii) 再構成に基づく損失をRetroTruckの異常検出に適用する。
論文 参考訳（メタデータ） (2020-04-11T00:10:40Z)
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。