論文の概要: A Trajectory-free Crash Detection Framework with Generative Approach and Segment Map Diffusion

• arxiv url: http://arxiv.org/abs/2511.13795v1
• Date: Mon, 17 Nov 2025 05:50:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.731631
• Title: A Trajectory-free Crash Detection Framework with Generative Approach and Segment Map Diffusion
• Title（参考訳）: 生成的アプローチとセグメントマップ拡散を用いた軌道自由衝突検出フレームワーク
• Authors: Weiying Shen, Hao Yu, Yu Dong, Pan Liu, Yu Han, Xin Wen,
• Abstract要約: 個別の交通動態データを記録した道路セグメントマップは、直接クラッシュ検出に供された。 有理な将来の道路セグメントマップを生成するために, 新たな2段階無軌道事故検出フレームワークが導入された。 実世界の衝突実験は、事故を正確に検出する2段階法の有効性を示している。
• 参考スコア（独自算出の注目度）: 24.86297144482785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time crash detection is essential for developing proactive safety management strategy and enhancing overall traffic efficiency. To address the limitations associated with trajectory acquisition and vehicle tracking, road segment maps recording the individual-level traffic dynamic data were directly served in crash detection. A novel two-stage trajectory-free crash detection framework, was present to generate the rational future road segment map and identify crashes. The first-stage diffusion-based segment map generation model, Mapfusion, conducts a noisy-to-normal process that progressively adds noise to the road segment map until the map is corrupted to pure Gaussian noise. The denoising process is guided by sequential embedding components capturing the temporal dynamics of segment map sequences. Furthermore, the generation model is designed to incorporate background context through ControlNet to enhance generation control. Crash detection is achieved by comparing the monitored segment map with the generations from diffusion model in second stage. Trained on non-crash vehicle motion data, Mapfusion successfully generates realistic road segment evolution maps based on learned motion patterns and remains robust across different sampling intervals. Experiments on real-world crashes indicate the effectiveness of the proposed two-stage method in accurately detecting crashes.
• Abstract（参考訳）: アクティブな安全管理戦略を開発し、全体の交通効率を向上させるためには、リアルタイムのクラッシュ検出が不可欠である。 軌道取得と車両追跡に関連する制約に対処するため、個別の交通動態データを記録した道路セグメントマップがクラッシュ検出に直接提供された。 有理な将来の道路セグメントマップを生成し、事故を特定するために、2段階の無軌道衝突検出フレームワークが導入された。 第1段階拡散に基づくセグメントマップ生成モデルであるMapfusionは、純粋なガウスノイズに分解されるまで、道路セグメントマップにノイズを徐々に付加するノイズから正規のプロセスを実行する。 セグメントマップシーケンスの時間的ダイナミクスをキャプチャするシーケンシャルな埋め込みコンポーネントによって、デノナイジングプロセスがガイドされる。 さらに、生成モデルは、生成制御を強化するために、制御ネットを介して背景コンテキストを組み込むように設計されている。 モニタされたセグメントマップと2段目の拡散モデルからの世代を比較してクラッシュ検出を行う。 非クラッシュな車両の動きデータに基づいて、Mapfusionは学習された動きパターンに基づいてリアルな道路セグメントの進化マップを生成し、異なるサンプリング間隔で頑健である。 実世界の衝突実験は、事故を正確に検出する2段階法の有効性を示している。

関連論文リスト

• Road Obstacle Video Segmentation [71.92123495914892]
  連続フレームのセグメンテーションマップは強く相関しているため,道路・障害物のセグメンテーションタスクは本質的に時間的であることを示す。 提案手法は、長距離ビデオシーケンスのための道路障害物ビデオセグメント化における最先端技術を確立している。
  論文  参考訳（メタデータ） (2025-09-16T15:34:43Z)
• TopoStreamer: Temporal Lane Segment Topology Reasoning in Autonomous Driving [70.85436371436184]
  TopoStreamerは、レーンセグメントトポロジー推論のためのエンドツーエンドの時間知覚モデルである。 TopoStreamerは、ストリーミング属性制約、動的レーン境界位置エンコーディング、およびレーンセグメントのデノイングという3つの重要な改善点を紹介している。 Open-Lane-V2データセットでは、TopoStreamerが最先端のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-07-01T12:10:46Z)
• 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)
• Text-Driven Traffic Anomaly Detection with Temporal High-Frequency Modeling in Driving Videos [22.16190711818432]
  本稿では,ビデオクリップをテキストプロンプトと整合させる新しい単一ステージ手法であるTHFを紹介し,交通異常検出の新しい視点を提供する。 従来の手法とは異なり、我々の手法の教師付き信号は1ホットベクトルではなく言語から派生しており、より包括的な表現を提供する。 提案したTTHFは,DoTAデータセット上で,+5.4%のAUCで,最先端の競合よりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-01-07T15:47:19Z)
• Holistic Representation Learning for Multitask Trajectory Anomaly Detection [65.72942351514956]
  そこで本研究では,異なる時間帯における骨格軌跡の包括的表現による予測運動の学習を提案する。 我々は、時間的閉鎖された軌道を符号化し、ブロックされたセグメントの潜在表現を共同学習し、異なる時間的セグメントにわたる期待運動に基づいて軌道を再構築する。
  論文  参考訳（メタデータ） (2023-11-03T11:32:53Z)
• Spatio-Temporal Context Modeling for Road Obstacle Detection [12.464149169670735]
  トレーニングデータのレイアウトを用いて、駆動シーンのデータ駆動コンテキスト時間モデルを構築する。 障害物は最先端のオブジェクト検出アルゴリズムによって検出され、結果は生成されたシーンと組み合わせられる。
  論文  参考訳（メタデータ） (2023-01-19T07:06:35Z)
• Real-Time Accident Detection in Traffic Surveillance Using Deep Learning [0.8808993671472349]
  本稿では,交通監視用交差点における事故検出のための新しい効率的な枠組みを提案する。 提案手法は,最先端のYOLOv4法に基づく効率的かつ高精度な物体検出を含む,3つの階層的なステップから構成される。 提案フレームワークのロバスト性は,様々な照明条件でYouTubeから収集した映像シーケンスを用いて評価する。
  論文  参考訳（メタデータ） (2022-08-12T19:07:20Z)

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。