論文の概要: How good are deep learning methods for automated road safety analysis using video data? An experimental study
- arxiv url: http://arxiv.org/abs/2503.09807v1
- Date: Wed, 12 Mar 2025 20:17:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-14 15:53:18.285528
- Title: How good are deep learning methods for automated road safety analysis using video data? An experimental study
- Title（参考訳）: ビデオデータを用いた道路安全自動解析におけるディープラーニング手法の有効性 : 実験的検討
- Authors: Qingwu Liu, Nicolas Saunier, Guillaume-Alexandre Bilodeau,
- Abstract要約: 画像ベースマルチオブジェクト検出(MOD)とマルチオブジェクト追跡(MOT)は高速に進んでいる。
ステレオカメラをベースとした3つのMOT手法について, 注釈付きKITTIトラヒックビデオデータセットを用いて検討した。
実験の結果, 相互作用数に関していくつかの利点があるにもかかわらず, 全ての試験方法が系統的に相互作用数を過大評価し, TTCを過小評価していることがわかった。
- 参考スコア（独自算出の注目度）: 8.043452136359798
- License:
- Abstract: Image-based multi-object detection (MOD) and multi-object tracking (MOT) are advancing at a fast pace. A variety of 2D and 3D MOD and MOT methods have been developed for monocular and stereo cameras. Road safety analysis can benefit from those advancements. As crashes are rare events, surrogate measures of safety (SMoS) have been developed for safety analyses. (Semi-)Automated safety analysis methods extract road user trajectories to compute safety indicators, for example, Time-to-Collision (TTC) and Post-encroachment Time (PET). Inspired by the success of deep learning in MOD and MOT, we investigate three MOT methods, including one based on a stereo-camera, using the annotated KITTI traffic video dataset. Two post-processing steps, IDsplit and SS, are developed to improve the tracking results and investigate the factors influencing the TTC. The experimental results show that, despite some advantages in terms of the numbers of interactions or similarity to the TTC distributions, all the tested methods systematically over-estimate the number of interactions and under-estimate the TTC: they report more interactions and more severe interactions, making the road user interactions appear less safe than they are. Further efforts will be directed towards testing more methods and more data, in particular from roadside sensors, to verify the results and improve the performance.
- Abstract（参考訳）: 画像ベースマルチオブジェクト検出(MOD)とマルチオブジェクト追跡(MOT)は高速に進んでいる。
2Dと3DのMODとMOTはモノクラーカメラやステレオカメラ向けに様々な方法が開発されている。
道路安全分析はこれらの進歩の恩恵を受けることができる。
事故は稀な出来事であるため、安全分析のための安全対策(SMoS)が開発されている。
(半)自動安全分析手法は,道路利用者の軌跡を抽出し,例えばTTC(Time-to-Collision)やPET(Post-Encroachment Time)などの安全指標を算出する。
本研究は,MODとMOTの深層学習の成功に触発され,注釈付きKITTIトラヒックビデオデータセットを用いてステレオカメラをベースとした3つのMOT手法について検討する。
2つの後処理ステップであるIDsplitとSSが開発され、追跡結果を改善し、TTCに影響を与える要因を調査した。
実験の結果,TTC分布と相互作用の数や類似性に関していくつかの利点があるにもかかわらず,全ての試験手法は系統的に相互作用の数を過大評価し,TTCを過小評価する。
さらなる取り組みは、さらに多くの方法、特に道路のセンサーからのデータをテストすることで、結果を検証し、パフォーマンスを改善することを目的としている。
関連論文リスト
- Deep Reinforcement Learning for Autonomous Vehicle Intersection
Navigation [0.24578723416255746]
強化学習アルゴリズムは、これらの課題に対処するための有望なアプローチとして登場した。
そこで本研究では,低コスト単一エージェントアプローチを用いて,T断面積を効率よく安全にナビゲートする問題に対処する。
提案手法により,AVはT断面積を効果的にナビゲートし,走行遅延,衝突最小化,総コストの面で従来の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2023-09-30T10:54:02Z) - 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) - Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
ドライバーの気晴らしが道路事故の主要な原因であることが知られている。
State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。
本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
論文 参考訳（メタデータ） (2022-10-17T21:22:41Z) - CAMO-MOT: Combined Appearance-Motion Optimization for 3D Multi-Object
Tracking with Camera-LiDAR Fusion [34.42289908350286]
3D Multi-object Track (MOT) は、連続的な動的検出時の一貫性を保証する。
LiDAR法で物体の不規則な動きを正確に追跡することは困難である。
複合外観運動最適化(CAMO-MOT)に基づく新しいカメラ-LiDAR融合3DMOTフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-06T14:41:38Z) - Threat Detection In Self-Driving Vehicles Using Computer Vision [0.0]
ダッシュカムビデオを用いた自動運転車の脅威検出機構を提案する。
オブジェクトを識別するためのYOLO,高度な車線検出アルゴリズム,カメラからの距離を測定するマルチレグレッションモデルという,4つの主要なコンポーネントがある。
提案した脅威検出モデル(TDM)の最終的な精度は82.65%である。
論文 参考訳（メタデータ） (2022-09-06T12:01:07Z) - SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video
Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。
マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。
モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文 参考訳（メタデータ） (2022-07-16T19:25:41Z) - Vehicle Detection and Tracking From Surveillance Cameras in Urban Scenes [9.54261903220931]
本稿では,多車車検出・追跡システムを提案する。
本手法は車種再識別機能を備えたIOU(Intersection-over-Union)トラッカーを拡張した。
UA-DETRACベンチマークでは,オンライン利用に適した処理速度を維持しながら,ベースラインMOT法より優れています。
論文 参考訳（メタデータ） (2021-09-25T18:21:44Z) - Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。
本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
論文 参考訳（メタデータ） (2021-04-19T11:48:13Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - 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) - Tracking Road Users using Constraint Programming [79.32806233778511]
本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。
提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
論文 参考訳（メタデータ） (2020-03-10T00:04:32Z)
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。