論文の概要: Prediction of Occluded Pedestrians in Road Scenes using Human-like Reasoning: Insights from the OccluRoads Dataset
- arxiv url: http://arxiv.org/abs/2412.06549v1
- Date: Mon, 09 Dec 2024 14:59:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:56:55.528861
- Title: Prediction of Occluded Pedestrians in Road Scenes using Human-like Reasoning: Insights from the OccluRoads Dataset
- Title（参考訳）: 人間ライクな推論による道路シーンにおける降雨歩行者の予測:OccluRoadsデータセットからの考察
- Authors: Melo Castillo Angie Nataly, Martin Serrano Sergio, Salinas Carlota, Sotelo Miguel Angel,
- Abstract要約: 歩行者による歩行者による道路シーンの多種多様な収集を特徴とするOcclusion-Rich Road Scenes with Pedestriansについて紹介する。
このデータセットを用いて、知識グラフ(KG)、知識グラフ埋め込み(KGE)、ベイズ推論プロセスを利用して、閉塞した歩行者の存在を予測するパイプラインを開発した。
提案手法では,従来の機械学習モデルと比較して最大42%向上したF1スコアが0.91である。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Pedestrian detection is a critical task in autonomous driving, aimed at enhancing safety and reducing risks on the road. Over recent years, significant advancements have been made in improving detection performance. However, these achievements still fall short of human perception, particularly in cases involving occluded pedestrians, especially entirely invisible ones. In this work, we present the Occlusion-Rich Road Scenes with Pedestrians (OccluRoads) dataset, which features a diverse collection of road scenes with partially and fully occluded pedestrians in both real and virtual environments. All scenes are meticulously labeled and enriched with contextual information that encapsulates human perception in such scenarios. Using this dataset, we developed a pipeline to predict the presence of occluded pedestrians, leveraging Knowledge Graph (KG), Knowledge Graph Embedding (KGE), and a Bayesian inference process. Our approach achieves a F1 score of 0.91, representing an improvement of up to 42% compared to traditional machine learning models.
- Abstract（参考訳）: 歩行者検出は自動運転において重要な課題であり、道路の安全性を高めリスクを減らすことを目的としている。
近年は検出性能の向上に大きく貢献している。
しかし、これらの成果は人間の知覚に欠けており、特に閉塞した歩行者、特に完全に見えない歩行者を含む場合である。
本研究は,Occlusion-Rich Road Scenes with Pedestrians (OccluRoads) データセットについて述べる。
すべてのシーンは慎重にラベル付けされ、そのようなシナリオで人間の知覚をカプセル化するコンテキスト情報で富む。
このデータセットを用いて、知識グラフ(KG)、知識グラフ埋め込み(KGE)、ベイズ推論プロセスを利用して、閉塞した歩行者の存在を予測するパイプラインを開発した。
提案手法では,従来の機械学習モデルと比較して最大42%向上したF1スコアが0.91である。
関連論文リスト
- RAG-based Explainable Prediction of Road Users Behaviors for Automated Driving using Knowledge Graphs and Large Language Models [8.253092044813595]
本稿では,知識グラフと大規模言語モデルの推論能力を統合した,道路利用者の行動予測システムを提案する。
1)歩行者の横断行動の予測,2)車線変更操作の予測。
論文 参考訳（メタデータ） (2024-05-01T11:06:31Z) - Adaptive Human Trajectory Prediction via Latent Corridors [49.13061580045407]
シーン固有の適応軌道予測の問題を定式化する。
本稿では,潜伏回廊と呼ばれる即時チューニングにインスパイアされた新しい適応手法を提案する。
0.1%の追加モデルパラメータでは、MOTシンスシミュレーションデータの改善が23.9%、MOTおよびワイルドトラックにおけるADEが16.4%となる。
論文 参考訳（メタデータ） (2023-12-11T18:59:12Z) - Local and Global Contextual Features Fusion for Pedestrian Intention
Prediction [2.203209457340481]
我々は歩行者と交通状況の両方の視覚的特徴を分析し分析する。
グローバルな文脈を理解するために、位置、動き、環境情報を利用する。
これらのマルチモダリティ機能は、効果的な意図学習のためにインテリジェントに融合されている。
論文 参考訳（メタデータ） (2023-05-01T22:37:31Z) - Dynamic loss balancing and sequential enhancement for road-safety
assessment and traffic scene classification [0.0]
道路安全検査は、道路インフラに寄与する道路事故死者を減らすのに欠かせない手段である。
最近の研究は、道路安全属性としても知られる、慎重に選択されたリスク要因の観点から、道路安全評価を形式化している。
本稿では,2段階のニューラルネットワークによる認識を自動化することにより,退屈な人的労働への依存を減らすことを提案する。
論文 参考訳（メタデータ） (2022-11-08T11:10:07Z) - Behavioral Intention Prediction in Driving Scenes: A Survey [70.53285924851767]
行動意図予測(BIP)は、人間の思考過程をシミュレートし、特定の行動の早期予測を満たす。
この作業は、利用可能なデータセット、重要な要因と課題、歩行者中心および車両中心のBIPアプローチ、BIP対応アプリケーションからのBIPの包括的なレビューを提供する。
論文 参考訳（メタデータ） (2022-11-01T11:07:37Z) - Vision based Pedestrian Potential Risk Analysis based on Automated
Behavior Feature Extraction for Smart and Safe City [5.759189800028578]
このような交差点に設置した道路セキュリティカメラで収集した映像を用いて,歩行者の潜在的な危険度に関する包括的分析モデルを提案する。
提案システムは、車や歩行者を自動的に検知し、フレームによって軌跡を計算し、これらの物体間の潜在的危険シーンの可能性を左右する行動特徴を抽出する。
韓国大山市の横断歩道で適用し,実現可能性と適用性を評価した。
論文 参考訳（メタデータ） (2021-05-06T11:03:10Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳（メタデータ） (2021-03-08T16:03:09Z) - Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。
歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。
2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
論文 参考訳（メタデータ） (2021-01-07T06:08:21Z) - Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。
本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。
競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
論文 参考訳（メタデータ） (2020-12-04T15:10:12Z) - BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in
Unstructured Driving Environments [54.22535063244038]
非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。
本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
論文 参考訳（メタデータ） (2020-09-22T08:25:44Z)
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。