論文の概要: Objective Bicycle Occlusion Level Classification using a Deformable Parts-Based Model

• arxiv url: http://arxiv.org/abs/2505.15358v1
• Date: Wed, 21 May 2025 10:42:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.513831
• Title: Objective Bicycle Occlusion Level Classification using a Deformable Parts-Based Model
• Title（参考訳）: 変形部品モデルを用いた客観的自転車閉塞レベル分類
• Authors: Angelique Mangubat, Shane Gilroy,
• Abstract要約: 道路安全は、特に最も脆弱な道路利用者であるサイクリストにとって重要な課題である。 本研究では,高度なコンピュータビジョン技術を用いた自転車閉塞レベル分類のための新しいベンチマークを提案する。 提案手法を広範に使用することで,閉塞したサイクリストに対するサイクリスト検出アルゴリズムの正確な性能報告が容易になる。
• 参考スコア（独自算出の注目度）: 1.565361244756411
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Road safety is a critical challenge, particularly for cyclists, who are among the most vulnerable road users. This study aims to enhance road safety by proposing a novel benchmark for bicycle occlusion level classification using advanced computer vision techniques. Utilizing a parts-based detection model, images are annotated and processed through a custom image detection pipeline. A novel method of bicycle occlusion level is proposed to objectively quantify the visibility and occlusion level of bicycle semantic parts. The findings indicate that the model robustly quantifies the visibility and occlusion level of bicycles, a significant improvement over the subjective methods used by the current state of the art. Widespread use of the proposed methodology will facilitate the accurate performance reporting of cyclist detection algorithms for occluded cyclists, informing the development of more robust vulnerable road user detection methods for autonomous vehicles.
• Abstract（参考訳）: 道路安全は、特に最も脆弱な道路利用者であるサイクリストにとって重要な課題である。 本研究は,高度なコンピュータビジョン技術を用いた自転車閉塞レベル分類のための新しいベンチマークを提案し,道路安全を向上させることを目的とする。 パーツベースの検出モデルを使用することで、イメージは注釈付けされ、カスタムイメージ検出パイプラインを通じて処理される。 自転車のセマンティック部分の視認性と咬合レベルを客観的に定量化するために,自転車の閉塞レベルの新しい手法を提案する。 その結果,自転車の視認性と咬合レベルは,現在最先端技術で使用されている主観的手法よりも有意に向上していることがわかった。 提案手法を広範に使用することにより,自転車のサイクリスト検出アルゴリズムの性能を正確に把握し,より脆弱な自動運転車の道路利用者検出手法の開発が促進される。

関連論文リスト

• Segment-Level Road Obstacle Detection Using Visual Foundation Model Priors and Likelihood Ratios [4.578773000079989]
  現在の道路障害物検出方法は各画素にスコアを割り当て、しきい値を適用して最終的な予測を生成する。 道路障害物を直接予測するために,視覚基盤モデルと確率比からセグメントレベルの特徴を利用する新しい手法を提案する。 個々の画素ではなくセグメントに注目することにより,検出精度を高め,偽陽性を低減し,シーンの変動性にロバスト性を高める。
  論文  参考訳（メタデータ） (2024-12-07T17:40:20Z)
• 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体積をモデル化するためにGCNアーキテクチャを利用する最初の研究について述べる。 線形回帰、サポートベクターマシン、ランダムフォレストといった従来の機械学習モデルと比較した。 以上の結果から,GCNモデルは,年間平均自転車数(AADB)を予測する上で,従来のモデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-10-11T04:53:18Z)
• Homography Guided Temporal Fusion for Road Line and Marking Segmentation [73.47092021519245]
  道路線やマーキングは、移動車両、影、グレアの存在下でしばしば閉鎖される。 本稿では,映像フレームを補足的に利用するHomography Guided Fusion (HomoFusion) モジュールを提案する。 カメラ固有のデータと地上平面の仮定をクロスフレーム対応に利用することにより,高速・高精度性能が向上した軽量ネットワークの実現が期待できることを示す。
  論文  参考訳（メタデータ） (2024-04-11T10:26:40Z)
• CarPatch: A Synthetic Benchmark for Radiance Field Evaluation on Vehicle Components [77.33782775860028]
  車両の新たな総合ベンチマークであるCarPatchを紹介する。 内在カメラパラメータと外在カメラパラメータを付加した画像のセットに加えて、各ビューに対して対応する深度マップとセマンティックセグメンテーションマスクが生成されている。 グローバルとパートベースのメトリクスは、いくつかの最先端技術を評価し、比較し、より良い特徴付けるために定義され、使われてきた。
  論文  参考訳（メタデータ） (2023-07-24T11:59:07Z)
• A Benchmark for Cycling Close Pass Detection from Video Streams [31.962089421160055]
  我々はCyc-CPと呼ばれる新しいベンチマークを導入し、ビデオストリームからCP(Cyc-CP)イベントを検出する。 シーンレベルの検出は、提供されたビデオクリップ内にCPイベントが存在することを確認する。 インスタンスレベルの検出は、CPイベントを発生させるシーン内の特定の車両を特定する。
  論文  参考訳（メタデータ） (2023-04-24T07:30:01Z)
• Monocular Cyclist Detection with Convolutional Neural Networks [0.0]
  本研究は,盲点に対する運転者の注意不足に起因する車両と自転車の衝突回数を減らすことを目的としている。 我々は、物体検出畳み込みニューラルネットワークを用いてサイクリストを検出できる最先端のリアルタイム単眼サイクリスト検出を設計した。 このサイクリスト検出装置は、サイクリストを正確にかつ迅速に検出し、サイクリストの安全性を大幅に向上させる可能性があると結論付けている。
  論文  参考訳（メタデータ） (2023-01-16T13:54:13Z)
• Perspective Aware Road Obstacle Detection [104.57322421897769]
  道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。 画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。 次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
  論文  参考訳（メタデータ） (2022-10-04T17:48:42Z)

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。