論文の概要: Detecting Unauthorized Vehicles using Deep Learning for Smart Cities: A Case Study on Bangladesh

• arxiv url: http://arxiv.org/abs/2510.26154v1
• Date: Thu, 30 Oct 2025 05:20:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.670917
• Title: Detecting Unauthorized Vehicles using Deep Learning for Smart Cities: A Case Study on Bangladesh
• Title（参考訳）: スマートシティのためのディープラーニングを用いた未許可車両の検出:バングラデシュを事例として
• Authors: Sudipto Das Sukanto, Diponker Roy, Fahim Shakil, Nirjhar Singha, Abdullah Asik, Aniket Joarder, Mridha Md Nafis Fuad, Muhammad Ibrahim,
• Abstract要約: 南アジア諸国では、リックショーは地域交通の最も一般的な手段である。 オート・リショーの移動を監視するには、交通規則が特定のルートへのアクセスを制限することが多いため、必要である。 本稿では,交通画像のオートリショーを自動的に検出する機械学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.7138989925511569
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modes of transportation vary across countries depending on geographical location and cultural context. In South Asian countries rickshaws are among the most common means of local transport. Based on their mode of operation, rickshaws in cities across Bangladesh can be broadly classified into non-auto (pedal-powered) and auto-rickshaws (motorized). Monitoring the movement of auto-rickshaws is necessary as traffic rules often restrict auto-rickshaws from accessing certain routes. However, existing surveillance systems make it quite difficult to monitor them due to their similarity to other vehicles, especially non-auto rickshaws whereas manual video analysis is too time-consuming. This paper presents a machine learning-based approach to automatically detect auto-rickshaws in traffic images. In this system, we used real-time object detection using the YOLOv8 model. For training purposes, we prepared a set of 1,730 annotated images that were captured under various traffic conditions. The results show that our proposed model performs well in real-time auto-rickshaw detection and offers an mAP50 of 83.447% and binary precision and recall values above 78%, demonstrating its effectiveness in handling both dense and sparse traffic scenarios. The dataset has been publicly released for further research.
• Abstract（参考訳）: 交通手段は、地理的な場所や文化的な文脈によって国によって異なる。 南アジア諸国では、リックショーは地域交通の最も一般的な手段である。 バングラデシュ全域の都市では、運転モードに基づいて、自動(ペダル駆動)と自動(電動化)に分けられる。 オート・リショーの移動を監視するには、交通規則が特定のルートへのアクセスを制限することが多いため、必要である。 しかし、既存の監視システムは、他の車両と類似しているため監視を非常に困難にしている。 本稿では,交通画像のオートリショーを自動的に検出する機械学習手法を提案する。 本システムでは, YOLOv8モデルを用いてリアルタイム物体検出を行った。 トレーニングのために,様々な交通条件下で撮影された1,730枚の注釈付き画像を用意した。 その結果,提案モデルでは, リアルタイム自動車軸検出において, 83.447%のmAP50と, 78%以上の2進精度とリコール値を提供し, 密集した交通シナリオと疎通な交通シナリオの両方を扱う上での有効性を示した。 データセットは、さらなる研究のために公開されている。

関連論文リスト

• Evaluating YOLO Architectures: Implications for Real-Time Vehicle Detection in Urban Environments of Bangladesh [0.0]
  非バングラデシュのデータセットで訓練された車両検知システムは、バングラデシュのユニークな道路環境において、地元の車両のタイプを正確に識別するのに苦労している。 本研究は、29の異なる車両クラスを特徴とするカスタムデータセット上で、6つのYOLOモデル変異を評価した。
  論文  参考訳（メタデータ） (2025-09-06T09:11:44Z)
• Finetuning YOLOv9 for Vehicle Detection: Deep Learning for Intelligent Transportation Systems in Dhaka, Bangladesh [0.0]
  バングラデシュ政府は、スマートモビリティを「スマートバングラデシュビジョン2041」に向けた重要なステップとして、ITSの統合を認めている。 本稿では,バングラデシュのデータセット上で訓練されたネイティブ車両を検出するための細調整対象検出器 YOLOv9 モデルを提案する。 その結果, 平均精度(mAP)は平均値0.934で, IoU(Intersection over Union)は0.5。
  論文  参考訳（メタデータ） (2024-09-29T02:33:34Z)
• GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• Guiding Attention in End-to-End Driving Models [49.762868784033785]
  模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。 トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。 従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
  論文  参考訳（メタデータ） (2024-04-30T23:18:51Z)
• BadODD: Bangladeshi Autonomous Driving Object Detection Dataset [0.0]
  バングラデシュの9地区にわたる多様な運転環境における物体検出のための包括的データセットを提案する。 スマートフォンカメラからのみ収集されたデータセットは、現実のシナリオを現実的に表現したものだ。
  論文  参考訳（メタデータ） (2024-01-19T12:26:51Z)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• Traffic event description based on Twitter data using Unsupervised Learning Methods for Indian road conditions [0.0]
  教師なし学習モデルは、インドの交通データを強化するために効果的なつぶやき分類を行うために使用される。 このモデルは単語埋め込みを用いて意味的類似性を計算し、94.7%のテストスコアを達成している。
  論文  参考訳（メタデータ） (2021-12-23T05:11:48Z)
• Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
  本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。 本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
  論文  参考訳（メタデータ） (2020-06-20T11:56:32Z)

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。