論文の概要: VisionGuard: Synergistic Framework for Helmet Violation Detection

• arxiv url: http://arxiv.org/abs/2506.21005v1
• Date: Thu, 26 Jun 2025 04:45:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.98067
• Title: VisionGuard: Synergistic Framework for Helmet Violation Detection
• Title（参考訳）: VisionGuard: Helmet Violation Detectionのための相乗的フレームワーク
• Authors: Lam-Huy Nguyen, Thinh-Phuc Nguyen, Thanh-Hai Nguyen, Gia-Huy Dinh, Minh-Triet Tran, Trung-Nghia Le,
• Abstract要約: VisionGuardはフレームワイド検出器の限界を克服するために設計されたフレームワークである。 Adaptive LabelingとContextual Expanderモジュールの2つの重要なコンポーネントを統合している。 実験の結果、VisionGuardはベースライン検出器と比較して全体のmAPを3.1%改善した。
• 参考スコア（独自算出の注目度）: 8.674504133498775
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Enforcing helmet regulations among motorcyclists is essential for enhancing road safety and ensuring the effectiveness of traffic management systems. However, automatic detection of helmet violations faces significant challenges due to environmental variability, camera angles, and inconsistencies in the data. These factors hinder reliable detection of motorcycles and riders and disrupt consistent object classification. To address these challenges, we propose VisionGuard, a synergistic multi-stage framework designed to overcome the limitations of frame-wise detectors, especially in scenarios with class imbalance and inconsistent annotations. VisionGuard integrates two key components: Adaptive Labeling and Contextual Expander modules. The Adaptive Labeling module is a tracking-based refinement technique that enhances classification consistency by leveraging a tracking algorithm to assign persistent labels across frames and correct misclassifications. The Contextual Expander module improves recall for underrepresented classes by generating virtual bounding boxes with appropriate confidence scores, effectively addressing the impact of data imbalance. Experimental results show that VisionGuard improves overall mAP by 3.1% compared to baseline detectors, demonstrating its effectiveness and potential for real-world deployment in traffic surveillance systems, ultimately promoting safety and regulatory compliance.
• Abstract（参考訳）: 自転車のヘルメット規制の実施は,道路安全の向上と交通管理システムの有効性確保に不可欠である。 しかし, ヘルメット違反の自動検出は, 環境変動, カメラアングル, データの矛盾などにより, 重大な課題に直面している。 これらの要因は、オートバイやライダーの信頼性の高い検出を妨げ、一貫した物体分類を妨害する。 これらの課題に対処するために、特にクラス不均衡や一貫性のないアノテーションのシナリオにおいて、フレームワイド検出器の限界を克服するために設計された、相乗的なマルチステージフレームワークであるVisionGuardを提案する。 VisionGuardはAdaptive LabelingとContextual Expanderモジュールという2つの重要なコンポーネントを統合している。 Adaptive Labelingモジュールは、トラッキングアルゴリズムを活用して、フレーム間で永続的なラベルを割り当て、誤分類を正すことによって、分類一貫性を向上させるトラッキングベースの改善手法である。 Contextual Expanderモジュールは、適切な信頼スコアを持つ仮想バウンディングボックスを生成し、データ不均衡の影響を効果的に解決することで、表現不足のクラスのリコールを改善する。 実験の結果、VisionGuardはベースライン検出器と比較して全体のmAPを3.1%改善し、実際の交通監視システムへの展開の有効性と可能性を実証し、最終的に安全性と規制の遵守を促進した。

関連論文リスト

• AttentionGuard: Transformer-based Misbehavior Detection for Secure Vehicular Platoons [0.0]
  車両小隊は、認証されたインサイダーによる高度なファルシフィケーション攻撃に対して脆弱である。 本稿では,誤動作検出のためのトランスフォーマーベースのフレームワークであるAttentionGuardを紹介する。 我々は,AttentionGuardが攻撃検出において最大0.95F1スコアを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-15T13:24:09Z)
• Enhancing Traffic Sign Recognition On The Performance Based On Yolov8 [0.0]
  この論文では、高度なデータ拡張技術を統合する拡張YOLOv8ベースの検出システムを提案する。 GTSRB、TT100K、GTSDBなどのデータセットで実施された実験では、検出精度、悪条件下での堅牢性、エッジデバイス上でのリアルタイム推論が著しく改善された。
  論文  参考訳（メタデータ） (2025-04-02T07:28:05Z)
• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Hiding in Plain Sight: An IoT Traffic Camouflage Framework for Enhanced Privacy [2.0257616108612373]
  パケットパディングのような既存の技術的難読化手法は、スマートホームのような動的な環境では不足することが多い。 本稿では,交通分析を中断させることでプライバシーを向上する多技術難読化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-26T04:33:44Z)
• 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)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)
• Learning to Learn Better for Video Object Segmentation [94.5753973590207]
  本稿では,SVOS の学習目標機能 (LLB) を強調する新しいフレームワークを提案する。 識別ラベル生成モジュール(DLGM)と適応融合モジュールを設計し,これらの課題に対処する。 提案手法は最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-12-05T09:10:34Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• Towards robust sensing for Autonomous Vehicles: An adversarial perspective [82.83630604517249]
  結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。 敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。 より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
  論文  参考訳（メタデータ） (2020-07-14T05:25:15Z)

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。