論文の概要: Which cycling environment appears safer? Learning cycling safety perceptions from pairwise image comparisons

• arxiv url: http://arxiv.org/abs/2412.09835v1
• Date: Fri, 13 Dec 2024 03:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-16 15:02:58.875026
• Title: Which cycling environment appears safer? Learning cycling safety perceptions from pairwise image comparisons
• Title（参考訳）: どのサイクリング環境がより安全か? 対画像比較によるサイクリング安全認識の学習
• Authors: Miguel Costa, Manuel Marques, Carlos Lima Azevedo, Felix Wilhelm Siebert, Filipe Moura,
• Abstract要約: 都市がより持続可能な交通手段に移行するためには、循環が不可欠だ。しかし、安全上の懸念は、個人が循環する上で重要な抑止力として残されている。 本研究では, 個人がサイクリングリスクをどう認識するかを把握し, 理解する問題に取り組む。 我々は,現実のイメージのペア比較にアプローチを基づき,回答者に2組の道路環境を提示する。 サイクリングにとって、より安全なものを選ぶように求めます。 収集したデータを用いて、個人の反応から学習し、画像から直接好みを学習するマルチロスフレームワークを用いて、シアム・畳み込みニューラルネットワークを訓練する。
• 参考スコア（独自算出の注目度）: 2.3900828891729784
• License:
• Abstract: Cycling is critical for cities to transition to more sustainable transport modes. Yet, safety concerns remain a critical deterrent for individuals to cycle. If individuals perceive an environment as unsafe for cycling, it is likely that they will prefer other means of transportation. Yet, capturing and understanding how individuals perceive cycling risk is complex and often slow, with researchers defaulting to traditional surveys and in-loco interviews. In this study, we tackle this problem. We base our approach on using pairwise comparisons of real-world images, repeatedly presenting respondents with pairs of road environments and asking them to select the one they perceive as safer for cycling, if any. Using the collected data, we train a siamese-convolutional neural network using a multi-loss framework that learns from individuals' responses, learns preferences directly from images, and includes ties (often discarded in the literature). Effectively, this model learns to predict human-style perceptions, evaluating which cycling environments are perceived as safer. Our model achieves good results, showcasing this approach has a real-life impact, such as improving interventions' effectiveness. Furthermore, it facilitates the continuous assessment of changing cycling environments, permitting short-term evaluations of measures to enhance perceived cycling safety. Finally, our method can be efficiently deployed in different locations with a growing number of openly available street-view images.
• Abstract（参考訳）: 都市がより持続可能な交通手段に移行するためには、サイクリングが不可欠である。 しかし、安全上の懸念は、個人がサイクルする上で重要な抑止力であり続けている。 個人がサイクリングの危険を感じている場合、他の交通手段が好まれる可能性が高い。 しかし、個人がサイクリングのリスクをどう知覚するかを捉え、理解するのは複雑で、しばしば遅い。 本研究では,この問題に対処する。 実世界のイメージをペアで比較し、回答者に道路環境のペアを提示し、サイクリングにとって安全なものを選ぶように求めています。 収集したデータを用いて、個人の反応から学習し、画像から直接好みを学習し、関係(しばしば文献で破棄される)を含むマルチロスフレームワークを用いて、シアム・畳み込みニューラルネットワークを訓練する。 効果的に、このモデルは人間のスタイルの知覚を予測し、どのサイクリング環境がより安全なと認識されているかを評価する。 提案手法は,介入の有効性の向上など,現実的な影響を生かし,良好な結果が得られた。 さらに、サイクリング環境の変化の継続的な評価を容易にし、サイクリングの安全性を高めるための対策の短期的な評価を可能にする。 最後に, 街路ビュー画像の公開数の増加とともに, 異なる場所に効率よく展開することが可能である。

関連論文リスト

• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• 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)
• Discovering Cyclists' Visual Preferences Through Shared Bike Trajectories and Street View Images Using Inverse Reinforcement Learning [2.678595263943329]
  本稿では,サイクリストの複雑な視覚的嗜好の定量化と解釈を目的とした新しい枠組みを提案する。 我々は,サイクリング報酬関数の効率的な推定にMDDIRLモデルを適用した。 サイクリストはルート決定を行う際に、特定の道路視覚要素に注目する。
  論文  参考訳（メタデータ） (2024-09-05T00:54:48Z)
• AutoLTS: Automating Cycling Stress Assessment via Contrastive Learning and Spatial Post-processing [4.599618895656792]
  本研究では,高精度で高速かつ大規模なサイクリングストレスアセスメントを支援するためのディープラーニングフレームワークを提案する。 筆者らのフレームワークは, サイクリングストレスラベル間の順序関係を利用したコントラスト学習手法と, 予測に空間的滑らかさを強制するポストプロセッシング手法を特徴とする。
  論文  参考訳（メタデータ） (2023-08-15T05:51:25Z)
• Scoring Cycling Environments Perceived Safety using Pairwise Image Comparisons [0.9299655616863538]
  本研究では,自転車の安全に対する認識を解析し,理解するための新しいアプローチを提案する。 繰り返し、回答者に2つの道路環境を示し、サイクリングにとってより安全なものを選ぶよう依頼する。 我々は,自転車の環境をペア比較から評価し,安全あるいは安全でないと認識された自転車の環境を分類する手法をいくつか比較した。
  論文  参考訳（メタデータ） (2023-07-25T10:31:45Z)
• Imitation Is Not Enough: Robustifying Imitation with Reinforcement Learning for Challenging Driving Scenarios [147.16925581385576]
  シミュレーション学習と強化学習を組み合わせることで,運転方針の安全性と信頼性が大幅に向上することを示す。 都会の運転データ100万マイル以上でポリシーを訓練し、異なるレベルの衝突確率でグループ化されたテストシナリオにおける有効性を測定する。
  論文  参考訳（メタデータ） (2022-12-21T23:59:33Z)
• Estimating city-wide hourly bicycle flow using a hybrid LSTM MDN [0.0]
  自転車のモードシェアを増やそうとする試みには、自転車の安全性の向上など、多くの手段が伴う。 サイクリングの安全性に関する有意義な分析は、一般的にセグメントレベルで利用できない、あるいは使用できない正確な自転車のフローデータを必要とする。 本稿では,コペンハーゲンにおける自転車の時流,天候,時間,道路条件を推定するディープラーニングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-04-20T17:00:29Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Euro-PVI: Pedestrian Vehicle Interactions in Dense Urban Centers [126.81938540470847]
  歩行者と自転車の軌跡のデータセットであるEuro-PVIを提案する。 本研究では,都市環境におけるエージェント間のマルチモーダル共有潜在空間を表現的に学習する共同推論モデルを開発する。 我々は,エゴ車と歩行者(自転車)の相互作用を正確に予測するために捉えることの重要性を示すnuScenesとEuro-PVIデータセット上での成果を達成した。
  論文  参考訳（メタデータ） (2021-06-22T15:40:21Z)
• 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)
• LookOut: Diverse Multi-Future Prediction and Planning for Self-Driving [139.33800431159446]
  LookOutは、環境を共同で知覚し、センサーデータから様々な未来を予測するアプローチである。 本モデルでは,大規模自動運転データセットにおいて,より多様性があり,サンプル効率のよい動き予測を行う。
  論文  参考訳（メタデータ） (2021-01-16T23:19:22Z)

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。