論文の概要: TransitReID: Transit OD Data Collection with Occlusion-Resistant Dynamic Passenger Re-Identification

• arxiv url: http://arxiv.org/abs/2504.11500v1
• Date: Tue, 15 Apr 2025 02:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-25 01:33:55.696579
• Title: TransitReID: Transit OD Data Collection with Occlusion-Resistant Dynamic Passenger Re-Identification
• Title（参考訳）: TransitReID: Occlusion-Resistant Dynamic Passenger Redentification を用いたトランジットODデータ収集
• Authors: Kaicong Huang, Talha Azfar, Jack Reilly, Ruimin Ke,
• Abstract要約: Transit Origin-Destination (OD) データは、特に経路最適化と需要応答型パラトランジットシステムにおいて、トランジット計画に不可欠である。 手動調査のような従来の手法はコストが高く非効率であるが、BluetoothとWiFiベースのアプローチでは、乗客は特定のデバイスを運ばなければならない。 個人レベルのODデータ収集のための新しいフレームワークであるTransitReIDを提案する。
• 参考スコア（独自算出の注目度）: 3.5323691899538128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transit Origin-Destination (OD) data are essential for transit planning, particularly in route optimization and demand-responsive paratransit systems. Traditional methods, such as manual surveys, are costly and inefficient, while Bluetooth and WiFi-based approaches require passengers to carry specific devices, limiting data coverage. On the other hand, most transit vehicles are equipped with onboard cameras for surveillance, offering an opportunity to repurpose them for edge-based OD data collection through visual person re-identification (ReID). However, such approaches face significant challenges, including severe occlusion and viewpoint variations in transit environments, which greatly reduce matching accuracy and hinder their adoption. Moreover, designing effective algorithms that can operate efficiently on edge devices remains an open challenge. To address these challenges, we propose TransitReID, a novel framework for individual-level transit OD data collection. TransitReID consists of two key components: (1) An occlusion-robust ReID algorithm featuring a variational autoencoder guided region-attention mechanism that adaptively focuses on visible body regions through reconstruction loss-optimized weight allocation; and (2) a Hierarchical Storage and Dynamic Matching (HSDM) mechanism specifically designed for efficient and robust transit OD matching which balances storage, speed, and accuracy. Additionally, a multi-threaded design supports near real-time operation on edge devices, which also ensuring privacy protection. We also introduce a ReID dataset tailored for complex bus environments to address the lack of relevant training data. Experimental results demonstrate that TransitReID achieves state-of-the-art performance in ReID tasks, with an accuracy of approximately 90\% in bus route simulations.
• Abstract（参考訳）: Transit Origin-Destination (OD) データは、特に経路最適化と需要応答型パラトランジットシステムにおいて、トランジット計画に不可欠である。 手動調査のような従来の手法はコストが高く非効率であるが、BluetoothとWiFiベースのアプローチでは、乗客は特定のデバイスを携帯し、データカバレッジを制限する必要がある。 一方、ほとんどの輸送車両は監視用のカメラを搭載しており、視覚的人物識別(ReID)を通じてエッジベースのODデータ収集に利用することができる。 しかし、このようなアプローチは、交通環境における厳密な排除や視点の変化など、大きな課題に直面しており、一致の精度を大幅に低下させ、導入を妨げる。 さらに、エッジデバイス上で効率的に動作する効率的なアルゴリズムを設計することは、未解決の課題である。 これらの課題に対処するため,個人レベルのODデータ収集のための新しいフレームワークであるTransitReIDを提案する。 TransitReID は,(1) 自己エンコーダを誘導する領域アテンション機構を備えたオクルージョン・ロバスト ReID アルゴリズムと,(2) ストレージ,速度,精度のバランスを保った,効率的かつ堅牢なトランジット OD マッチングのために設計された階層型ストレージと動的マッチング (HSDM) 機構から構成される。 さらに、エッジデバイス上でのほぼリアルタイム操作をサポートするマルチスレッド設計により、プライバシ保護が保証される。 また、複雑なバス環境に適したReIDデータセットを導入し、関連するトレーニングデータの欠如に対処する。 実験の結果,TransitReIDはバス経路シミュレーションにおいて約90%の精度でReIDタスクの最先端性能を実現することがわかった。

関連論文リスト

• Optimal Transport Adapter Tuning for Bridging Modality Gaps in Few-Shot Remote Sensing Scene Classification [80.83325513157637]
  Few-Shot Remote Sensing Scene Classification (FS-RSSC)は,限られたラベル付きサンプルを用いたリモートセンシング画像の分類の課題を示す。 理想的なプラトン表現空間を構築することを目的とした,OTAT(Optimal Transport Adapter Tuning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T07:04:24Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
  本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。 i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
  論文  参考訳（メタデータ） (2025-03-06T07:36:06Z)
• AirTag, You're It: Reverse Logistics and Last Mile Dynamics [0.0]
  本研究は, 逆ロジスティクスの課題, 特にインフラ破壊が適応解を必要とする災害救済シナリオに対処する。 この研究は、パッケージに埋め込まれた20個のApple AirTagsを使用して、Apple Find Myネットワークと統合されたBluetooth LE(BLE)5トラッカーを介して、粒度の空間的および時間的データをキャプチャする、論理フローに関する実証的な洞察を提供する。 これらのトラッカーは、動的貨物移動を監視することの価値を示し、特にハリケーン・ヘレーンのような災害災害時の移動ハブ配置や経路最適化のリアルタイム調整を可能にした。
  論文  参考訳（メタデータ） (2025-02-03T02:21:23Z)
• Adaptive Data Transport Mechanism for UAV Surveillance Missions in Lossy Environments [2.700610024690147]
  無人航空機(UAV)は、情報、監視、偵察(ISR)の任務においてますます重要な役割を担っている。 本稿では、ミッション目標に大きく貢献する画像の選択領域を優先する、AIによる代替スケジューリングポリシーを提案する。
  論文  参考訳（メタデータ） (2024-09-30T18:22:58Z)
• DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
  我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。 特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。 nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
  論文  参考訳（メタデータ） (2024-09-15T15:55:24Z)
• DSDFormer: An Innovative Transformer-Mamba Framework for Robust High-Precision Driver Distraction Identification [23.05821759499963]
  ドライバーの気晴らしは依然として交通事故の主要な原因であり、世界中の道路安全にとって重大な脅威となっている。 本稿では,Transformer と Mamba アーキテクチャの長所を統合するフレームワークである DSDFormer を提案する。 また、ビデオの時間相関を利用してノイズラベルを洗練させる教師なしアプローチであるTRCL(Temporal Reasoning Confident Learning)も導入した。
  論文  参考訳（メタデータ） (2024-09-09T13:16:15Z)
• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• 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)
• Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
  自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。 車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。 推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
  論文  参考訳（メタデータ） (2022-05-16T12:14:42Z)
• On the Role of Multi-Objective Optimization to the Transit Network Design Problem [0.7734726150561088]
  この研究は、トランジットネットワーク設計問題(TNDP)により良い回答をするために、単目的と多目的のスタンスを相乗的に組み合わせることができることを示している。 ポルトガルのリスボン市におけるマルチモーダル公共交通ネットワークにおいて,本手法を適用した。 提案されたTNDP最適化は、目標関数を最大28.3%削減することで、結果を改善することを実証した。
  論文  参考訳（メタデータ） (2022-01-27T16:22:07Z)

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。