論文の概要: Safety-Critical Learning for Long-Tail Events: The TUM Traffic Accident Dataset

• arxiv url: http://arxiv.org/abs/2508.14567v1
• Date: Wed, 20 Aug 2025 09:38:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.418073
• Title: Safety-Critical Learning for Long-Tail Events: The TUM Traffic Accident Dataset
• Title（参考訳）: 長距離イベントのための安全クリティカルラーニング:TUM交通事故データセット
• Authors: Walter Zimmer, Ross Greer, Xingcheng Zhou, Rui Song, Marc Pavel, Daniel Lehmberg, Ahmed Ghita, Akshay Gopalkrishnan, Mohan Trivedi, Alois Knoll,
• Abstract要約: 我々は,現実の高速道路事故の集合体であるTUM交通事故データセットを提示する。 294,924のラベル付き2Dと93,012のラベル付き3Dボックスと48,144のラベル付きフレームのトラックIDが4台の路面カメラとLiDARから10Hzで記録されている。 本稿では,ルールに基づくアプローチと学習に基づくアプローチを組み合わせた事故検出モデルであるAccid3nDを提案する。
• 参考スコア（独自算出の注目度）: 6.420737230522813
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Even though a significant amount of work has been done to increase the safety of transportation networks, accidents still occur regularly. They must be understood as an unavoidable and sporadic outcome of traffic networks. We present the TUM Traffic Accident (TUMTraf-A) dataset, a collection of real-world highway accidents. It contains ten sequences of vehicle crashes at high-speed driving with 294,924 labeled 2D and 93,012 labeled 3D boxes and track IDs within 48,144 labeled frames recorded from four roadside cameras and LiDARs at 10 Hz. The dataset contains ten object classes and is provided in the OpenLABEL format. We propose Accid3nD, an accident detection model that combines a rule-based approach with a learning-based one. Experiments and ablation studies on our dataset show the robustness of our proposed method. The dataset, model, and code are available on our project website: https://tum-traffic-dataset.github.io/tumtraf-a.
• Abstract（参考訳）: 交通ネットワークの安全性を高めるためにかなりの作業が続けられているが、事故は定期的に発生している。 それらは、トラフィックネットワークの避けられない、散発的な結果として理解されなければならない。 本稿では,TUM交通事故データセット(TUMTraf-A)について述べる。 294,924のラベル付き2Dと93,012のラベル付き3Dボックスと48,144のラベル付きフレームのトラックIDが4台の路面カメラとLiDARから10Hzで記録されている。 データセットには10のオブジェクトクラスが含まれており、OpenLABELフォーマットで提供されている。 本稿では,ルールに基づくアプローチと学習に基づくアプローチを組み合わせた事故検出モデルであるAccid3nDを提案する。 提案手法のロバスト性を示す実験とアブレーション実験を行った。 データセット、モデル、コードは、プロジェクトのWebサイト(https://tum-traffic-dataset.github.io/tumtraf-a)で利用可能です。

関連論文リスト

• Towards Vision Zero: The TUM Traffic Accid3nD Dataset [18.133662927802614]
  TUM Traffic Accid3nD data, a collection of real-world highway accidents in different weather and lighting conditions。 データセットには4台の路面カメラとLiDARから25Hzで記録された111,945個のラベル付き画像と点雲フレームが含まれている。 本稿では,ルールに基づくアプローチと学習に基づくアプローチを組み合わせた事故検出モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-15T11:42:16Z)
• Enhancing Highway Safety: Accident Detection on the A9 Test Stretch Using Roadside Sensors [6.420737230522813]
  道路交通事故は5歳から29歳の人々にとって主要な死因であり、毎年約19万人が死亡している。 これらの死亡率を減らすためには、スピードアップ、飲酒運転、注意散らしなどのヒューマンエラーに対処することが不可欠である。 本稿では,ルールに基づくアプローチと学習に基づくアプローチを組み合わせた事故検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-01T11:34:16Z)
• Advance Real-time Detection of Traffic Incidents in Highways using Vehicle Trajectory Data [3.061662434597097]
  本研究は、ルイジアナ州で最も急激な高速道路であるI-10の車両軌跡データと交通事故データを用いている。 さまざまな機械学習アルゴリズムを使用して、下流の道路区間で事故に遭遇する可能性のある軌道を検出する。 その結果,ランダムフォレストモデルでは,適切なリコール値と識別能力を持つインシデントを予測する上で,最高の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-08-15T00:51:48Z)
• Abductive Ego-View Accident Video Understanding for Safe Driving Perception [75.60000661664556]
  マルチモーダル・アクシデント・ビデオ理解のための新しいデータセットMM-AUを提案する。 MM-AUには1,727件の映像が収録されている。 安全運転認識のための誘導型事故映像理解フレームワーク(AdVersa-SD)を提案する。
  論文  参考訳（メタデータ） (2024-03-01T10:42:52Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• 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)

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。