論文の概要: Road Surface Condition Detection with Machine Learning using New York State Department of Transportation Camera Images and Weather Forecast Data

• arxiv url: http://arxiv.org/abs/2510.06440v1
• Date: Tue, 07 Oct 2025 20:24:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.189978
• Title: Road Surface Condition Detection with Machine Learning using New York State Department of Transportation Camera Images and Weather Forecast Data
• Title（参考訳）: ニューヨーク州交通カメラ画像と天気予報データを用いた機械学習による道路表面条件検出
• Authors: Carly Sutter, Kara J. Sulia, Nick P. Bassill, Christopher D. Wirz, Christopher D. Thorncroft, Jay C. Rothenberger, Vanessa Przybylo, Mariana G. Cains, Jacob Radford, David Aaron Evans,
• Abstract要約: ニューヨーク州交通局(NYSDOT)は、NYSDOTと公衆が道路状況を監視するために使用する道路脇の交通カメラのネットワークを持っている。 NYSDOTは、道路を走行し、ライブカメラを観察することで道路の状態を評価する。 本研究では、畳み込みニューラルネットワークとランダム森林をカメラ画像と気象データに基づいて訓練し、道路表面の状態を予測する。 本研究におけるNYSDOT意思決定者の運用ニーズと気象関連路面条件モデルを満たすために,モデル一般化性が優先される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The New York State Department of Transportation (NYSDOT) has a network of roadside traffic cameras that are used by both the NYSDOT and the public to observe road conditions. The NYSDOT evaluates road conditions by driving on roads and observing live cameras, tasks which are labor-intensive but necessary for making critical operational decisions during winter weather events. However, machine learning models can provide additional support for the NYSDOT by automatically classifying current road conditions across the state. In this study, convolutional neural networks and random forests are trained on camera images and weather data to predict road surface conditions. Models are trained on a hand-labeled dataset of ~22,000 camera images, each classified by human labelers into one of six road surface conditions: severe snow, snow, wet, dry, poor visibility, or obstructed. Model generalizability is prioritized to meet the operational needs of the NYSDOT decision makers, and the weather-related road surface condition model in this study achieves an accuracy of 81.5% on completely unseen cameras.
• Abstract（参考訳）: ニューヨーク州交通局(NYSDOT)は、NYSDOTと公衆が道路状況を監視するために使用する道路脇の交通カメラのネットワークを持っている。 NYSDOTは、道路を走行し、ライブカメラを観察することで道路の状態を評価する。 しかし、機械学習モデルは、州全体の現在の道路条件を自動的に分類することで、NYSDOTをさらにサポートすることができる。 本研究では、畳み込みニューラルネットワークとランダム森林をカメラ画像と気象データに基づいて訓練し、道路表面の状態を予測する。 モデルは手書きの22,000枚のカメラ画像で訓練され、それぞれが人間のラベルで分類され、厳しい雪、雪、濡れた、乾いた、視界の悪い、または障害のある6つの道路表面条件のうちの1つに分類される。 モデル一般化性は、NYSDOT意思決定者の運用ニーズを満たすために優先され、この研究における気象関連道路表面条件モデルは、完全に見えないカメラで81.5%の精度を達成する。

関連論文リスト

• Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
  トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。 スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。 その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T14:23:23Z)
• Label Correction for Road Segmentation Using Road-side Cameras [0.44241702149260353]
  既存の道路カメラインフラを利用して、様々な気象条件の道路データを自動的に収集する。 道路カメラの半自動アノテーション手法を提案する。 冬期にフィンランド全土の927台のカメラから収集した路面カメラデータを用いて,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-02-03T11:52:23Z)
• Road Surface Friction Estimation for Winter Conditions Utilising General Visual Features [0.4972323953932129]
  本稿では,道路側カメラによる路面摩擦のコンピュータビジョンによる評価について検討する。 本稿では、事前学習された視覚変換器モデルと畳み込みブロックからなるハイブリッドディープラーニングアーキテクチャWCamNetを提案する。
  論文  参考訳（メタデータ） (2024-04-25T12:46:23Z)
• Lightweight Regression Model with Prediction Interval Estimation for Computer Vision-based Winter Road Surface Condition Monitoring [0.4972323953932129]
  本稿では,カメラ画像から路面摩擦特性を推定できるディープラーニング回帰モデルSIWNetを提案する。 SIWNetはアーキテクチャに不確実性推定機構を含めることで、技術の状態を拡張している。 モデルは、SeeingThroughFogデータセットでトレーニングされ、テストされた。
  論文  参考訳（メタデータ） (2023-10-02T06:33:06Z)
• Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
  近年,Bird's-Eye View (BEV) の知覚が注目されている。 自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。 本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
  論文  参考訳（メタデータ） (2023-01-11T18:39:34Z)
• Multimodal End-to-End Learning for Autonomous Steering in Adverse Road and Weather Conditions [0.0]
  自動ステアリングにおけるエンド・ツー・エンドの学習に関するこれまでの研究を,マルチモーダルデータを用いた有害な実生活環境での運用に拡張する。 道路および気象条件下で28時間の運転データを収集し,車両のハンドル角度を予測するために畳み込みニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2020-10-28T12:38:41Z)
• Design of Efficient Deep Learning models for Determining Road Surface Condition from Roadside Camera Images and Weather Data [2.8904578737516764]
  冬期における道路の整備は、安全と資源を要求される作業である。 その重要な活動の1つは、道路を優先し、耕作や製塩などの清掃作業を行うために、道路表面の状態(RSC)を決定することである。 RSCを決定するための2つの従来のアプローチは、訓練された職員による道路カメラ画像の視覚的検査と、現場での検査を行うために道路をパトロールすることである。
  論文  参考訳（メタデータ） (2020-09-22T02:30:32Z)

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。