論文の概要: Automating Traffic Monitoring with SHM Sensor Networks via Vision-Supervised Deep Learning
- arxiv url: http://arxiv.org/abs/2506.19023v1
- Date: Mon, 23 Jun 2025 18:27:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-25 19:48:23.338436
- Title: Automating Traffic Monitoring with SHM Sensor Networks via Vision-Supervised Deep Learning
- Title（参考訳）: ビジョンスーパービジョン深層学習によるSHMセンサネットワークによる交通監視の自動化
- Authors: Hanshuo Wu, Xudong Jian, Christos Lataniotis, Cyprien Hoelzl, Eleni Chatzi, Yves Reuland,
- Abstract要約: 橋は、土木インフラの重要な要素として、劣化の影響をますます受けている。
ディープラーニングの最近の進歩は、継続的かつ自動化された監視への進歩を可能にしている。
構造的健康モニタリング(SHM)センサネットワークを用いた,継続的交通監視のための完全自動ディープラーニングパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bridges, as critical components of civil infrastructure, are increasingly affected by deterioration, making reliable traffic monitoring essential for assessing their remaining service life. Among operational loads, traffic load plays a pivotal role, and recent advances in deep learning - particularly in computer vision (CV) - have enabled progress toward continuous, automated monitoring. However, CV-based approaches suffer from limitations, including privacy concerns and sensitivity to lighting conditions, while traditional non-vision-based methods often lack flexibility in deployment and validation. To bridge this gap, we propose a fully automated deep-learning pipeline for continuous traffic monitoring using structural health monitoring (SHM) sensor networks. Our approach integrates CV-assisted high-resolution dataset generation with supervised training and inference, leveraging graph neural networks (GNNs) to capture the spatial structure and interdependence of sensor data. By transferring knowledge from CV outputs to SHM sensors, the proposed framework enables sensor networks to achieve comparable accuracy of vision-based systems, with minimal human intervention. Applied to accelerometer and strain gauge data in a real-world case study, the model achieves state-of-the-art performance, with classification accuracies of 99% for light vehicles and 94% for heavy vehicles.
- Abstract（参考訳）: 橋は、土木インフラの重要な構成要素として、劣化の影響をますます受けており、残りの寿命を評価する上では、信頼性の高い交通監視が不可欠である。
運用負荷の中で、トラフィック負荷は重要な役割を担い、ディープラーニングの最近の進歩(特にコンピュータビジョン(CV))は、継続的かつ自動化された監視に向けた進歩を可能にしている。
しかし、CVベースのアプローチは、プライバシの懸念や照明条件への敏感さといった制限に悩まされている。
このギャップを埋めるために,構造的健康モニタリング(SHM)センサネットワークを用いた連続的な交通監視のための完全自動ディープラーニングパイプラインを提案する。
提案手法は,CVを用いた高分解能データセット生成と教師付きトレーニングと推論を統合し,グラフニューラルネットワーク(GNN)を用いてセンサデータの空間構造と相互依存性を抽出する。
CV出力からSHMセンサに知識を伝達することにより、センサネットワークは人間の介入を最小限に抑えて、視覚ベースのシステムに匹敵する精度を達成できる。
実世界のケーススタディにおける加速度計とひずみゲージデータの適用により、このモデルは最先端の性能を達成し、軽車では99%、重車では94%の分類精度を持つ。
関連論文リスト
- Visual Dominance and Emerging Multimodal Approaches in Distracted Driving Detection: A Review of Machine Learning Techniques [3.378738346115004]
引き離された運転は、世界中の道路交通事故と死者の大きな原因であり続けている。
機械学習(ML)とディープラーニング(DL)の最近の進歩は、主に注意散逸を検出する視覚データに焦点を当てている。
本稿では,ML/DL技術を用いた視覚的,センサベース,マルチモーダル,新興モダリティを横断する運転検出のための74つの研究を体系的に評価する。
論文 参考訳（メタデータ） (2025-05-04T02:51:00Z) - Floating Car Observers in Intelligent Transportation Systems: Detection Modeling and Temporal Insights [1.7205106391379021]
フローティングカーオブザーバ(FCO)は、オンボードセンサーを統合して、他の交通参加者を検出し、ローカライズすることで、従来のフローティングカーデータ(FCD)を拡張している。
我々は, 微視的交通シミュレーションにおけるFCO検出のための様々なモデリング手法について検討し, インテリジェントトランスポーテーションシステム(ITS)の応用の可能性を評価する。
論文 参考訳（メタデータ） (2025-04-29T19:38:13Z) - ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors [0.0]
この研究は、新しいディープ演算子であるOn-Trafficを導入し、トラフィック状態のオンライン推定に適した水平方向学習ベースのフレームワークを提案する。
本フレームワークは,不規則でスパースな入力データを処理し,時間シフトに適応し,精度の高い不確実性推定を行うことのできる,数値データとシミュレーションデータの両方で評価される。
その結果, 衝撃波や混雑伝播などの複雑な交通シナリオを捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。
論文 参考訳（メタデータ） (2025-03-18T09:13:24Z) - NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。
ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文 参考訳（メタデータ） (2024-12-30T00:47:49Z) - Training a Distributed Acoustic Sensing Traffic Monitoring Network With Video Inputs [0.0]
本稿では,DASデータと協調した視覚情報を統合する新しい概念を提案する。
本モデルでは,検出と分類において94%以上の性能を示し,約1.2%の誤警報率を示す。
論文 参考訳（メタデータ） (2024-12-17T10:06:42Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Anomaly Detection in Automatic Generation Control Systems Based on
Traffic Pattern Analysis and Deep Transfer Learning [0.38073142980733]
現代の高度に相互接続された電力グリッドでは、電力グリッドの安定性を維持するために自動生成制御(AGC)が不可欠である。
情報通信技術(ICT)システムへのAGCシステムの依存は、様々なサイバー攻撃に対して脆弱である。
情報フロー(IF)分析と異常検出は、サイバー攻撃者がサイバー物理的電力システムを不安定に駆動することを防ぐために最重要となった。
論文 参考訳（メタデータ） (2022-09-16T17:52:42Z) - 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) - Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。
本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。
次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
論文 参考訳（メタデータ） (2021-05-20T17:52:37Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳（メタデータ） (2020-07-10T16:00:44Z)
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。