論文の概要: Integrating Generative Adversarial Networks and Convolutional Neural Networks for Enhanced Traffic Accidents Detection and Analysis
- arxiv url: http://arxiv.org/abs/2506.16186v1
- Date: Thu, 19 Jun 2025 10:06:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 19:00:05.024551
- Title: Integrating Generative Adversarial Networks and Convolutional Neural Networks for Enhanced Traffic Accidents Detection and Analysis
- Title（参考訳）: 交通事故検出・解析のための生成的対立ネットワークと畳み込みニューラルネットワークの統合
- Authors: Zhenghao Xi, Xiang Liu, Yaqi Liu, Yitong Cai, Yangyu Zheng,
- Abstract要約: 本研究では,事故検知システムにおける監視監視とデータ不足の問題に対処する。
この動機は、世界中の自動車事故数の統計値の上昇に起因している。
提案フレームワークは,リアルタイムの事故検出機能のために,交通安全アプリケーションに適合する。
- 参考スコア（独自算出の注目度）: 4.174922225547306
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accident detection using Closed Circuit Television (CCTV) footage is one of the most imperative features for enhancing transport safety and efficient traffic control. To this end, this research addresses the issues of supervised monitoring and data deficiency in accident detection systems by adapting excellent deep learning technologies. The motivation arises from rising statistics in the number of car accidents worldwide; this calls for innovation and the establishment of a smart, efficient and automated way of identifying accidents and calling for help to save lives. Addressing the problem of the scarcity of data, the presented framework joins Generative Adversarial Networks (GANs) for synthesizing data and Convolutional Neural Networks (CNN) for model training. Video frames for accidents and non-accidents are collected from YouTube videos, and we perform resizing, image enhancement and image normalisation pixel range adjustments. Three models are used: CNN, Fine-tuned Convolutional Neural Network (FTCNN) and Vision Transformer (VIT) worked best for detecting accidents from CCTV, obtaining an accuracy rate of 94% and 95%, while the CNN model obtained 88%. Such results show that the proposed framework suits traffic safety applications due to its high real-time accident detection capabilities and broad-scale applicability. This work lays the foundation for intelligent surveillance systems in the future for real-time traffic monitoring, smart city framework, and integration of intelligent surveillance systems into emergency management systems.
- Abstract（参考訳）: クローズド・サーキット・テレビジョン(CCTV)の映像による事故検出は、輸送の安全性と効率的な交通制御を向上するための最も重要な特徴の1つである。
そこで本研究では,優れたディープラーニング技術を適用して,事故検出システムにおける監視監視とデータ不足の問題に対処する。
この動機は、世界中の自動車事故数の統計値の上昇に起因している。これはイノベーションと、事故を特定し、命を救うための助けを求めるスマートで効率的で自動化された方法の確立を要求するものである。
データ不足の問題に対処するため,提案するフレームワークは,データ合成のためのGAN(Generative Adversarial Networks)とモデルトレーニングのための畳み込みニューラルネットワーク(Convolutional Neural Networks,CNN)に結合する。
事故現場や事故現場の映像フレームをYouTubeビデオから収集し,リサイズ化,画像強調,画像正規化の画素範囲調整を行う。
CNN、Fun-Tuned Convolutional Neural Network (FTCNN)、Vision Transformer (VIT)の3つのモデルがCCTVから事故を検出するのに最適であり、精度は94%と95%、CNNモデルは88%である。
このような結果から,提案フレームワークはリアルタイム事故検出機能と広範囲な適用性により,交通安全への適用に適していることが示唆された。
この研究は、リアルタイムの交通監視、スマートシティの枠組み、緊急管理システムへのインテリジェントな監視システムの統合のための、インテリジェントな監視システムの基礎を築いた。
関連論文リスト
- A Dynamic Transformer Network for Vehicle Detection [57.4144097001218]
車両検出のための動的トランスフォーマーネットワーク(DTNet)を提案する。
DTNetは動的畳み込みを利用してディープネットワークを誘導し、重量を動的に生成し、得られた検出器の適応性を高める。
画像アカウントにおける差の欠点を克服するため、変換変分畳み込みは、取得した車両検出構造情報を洗練するために、空間的位置情報に依存する。
論文 参考訳（メタデータ） (2025-06-03T11:29:35Z) - Enhancing Road Safety: Real-Time Detection of Driver Distraction through Convolutional Neural Networks [0.0]
本研究は,運転者の気晴らしをリアルタイムに検出する上で,最も効率的なモデルを明らかにすることを目的とする。
最終的な目的は、この発見を車両の安全システムに組み込むことであり、不注意によって引き起こされる事故を防ぐ能力を大幅に向上させることである。
論文 参考訳（メタデータ） (2024-05-28T03:34:55Z) - Smart City Transportation: Deep Learning Ensemble Approach for Traffic
Accident Detection [0.0]
本稿では,スマートシティ交通監視システムにおける事故検出に適した軽量ソリューションであるI3D-CONVLSTM2Dモデルアーキテクチャを提案する。
I3D-CONVLSTM2D RGB + Optical-Flow (Trainable) モデルでは, 平均精度が87%, 平均精度が87%であった。
我々の研究は、スマート都市インフラ内のエッジIoTデバイスへのリアルタイム統合を前提とした、高度な視覚ベースの事故検出システムへの道筋を照らしている。
論文 参考訳（メタデータ） (2023-10-16T03:47:08Z) - AI on the Road: A Comprehensive Analysis of Traffic Accidents and
Accident Detection System in Smart Cities [0.0]
本稿では,米国各地における交通事故の包括的分析について述べる。
事故検出と交通分析の課題に対処するために,交通監視カメラと行動認識システムを用いたフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-22T17:08:13Z) - TAP: A Comprehensive Data Repository for Traffic Accident Prediction in
Road Networks [36.975060335456035]
既存の機械学習アプローチは、独立して交通事故を予測することに重点を置いている。
グラフ構造情報を組み込むには、グラフニューラルネットワーク(GNN)を自然に適用することができる。
GNNを事故予測問題に適用することは、適切なグラフ構造化交通事故データセットがないため、課題に直面します。
論文 参考訳（メタデータ） (2023-04-17T22:18:58Z) - TAD: A Large-Scale Benchmark for Traffic Accidents Detection from Video
Surveillance [2.1076255329439304]
既存の交通事故のデータセットは小規模で、監視カメラからではなく、オープンソースではない。
様々な次元による統合とアノテーションの後に,TADという大規模交通事故データセットが提案されている。
論文 参考訳（メタデータ） (2022-09-26T03:00:50Z) - Review on Action Recognition for Accident Detection in Smart City
Transportation Systems [0.0]
異なる監視カメラを使用してスマートシティの交通の流れを監視することは、事故を認識し、最初の応答者を警告する上で重要な役割を果たす。
コンピュータビジョンタスクにおける行動認識(AR)の利用は、ビデオ監視、医療画像、デジタル信号処理における高精度な応用に寄与している。
本稿では,自動運転車や公共交通安全システムにおける事故検出システムの開発と統合に向けた研究の方向性について述べる。
論文 参考訳（メタデータ） (2022-08-20T03:21:44Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - Integrated Traffic Simulation-Prediction System using Neural Networks
with Application to the Los Angeles International Airport Road Network [39.975268616636]
提案システムは,最適化に基づくOD行列生成手法と,トラフィックフローのパターンを介してOD行列を予測するニューラルネットワーク(NN)モデルと,微視的トラフィックシミュレータを含む。
ロサンゼルス国際空港(LAX)中央ターミナルエリア(CTA)の道路ネットワーク上で提案システムをテストする。
論文 参考訳（メタデータ） (2020-08-05T01:41:10Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Training-free Monocular 3D Event Detection System for Traffic
Surveillance [93.65240041833319]
既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。
現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。
本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
論文 参考訳（メタデータ） (2020-02-01T04:42:57Z)
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。