論文の概要: Hybrid SIFT-SNN for Efficient Anomaly Detection of Traffic Flow-Control Infrastructure

• arxiv url: http://arxiv.org/abs/2511.21337v1
• Date: Wed, 26 Nov 2025 12:40:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.091147
• Title: Hybrid SIFT-SNN for Efficient Anomaly Detection of Traffic Flow-Control Infrastructure
• Title（参考訳）: 交通流・交通インフラの効率的な異常検出のためのハイブリッドSIFT-SNN
• Authors: Munish Rathee, Boris Bačić, Maryam Doborjeh,
• Abstract要約: SIFT-SNNフレームワークは、輸送インフラにおける構造異常のリアルタイム検出のための低遅延ニューロモルフィック信号処理パイプラインである。 提案システムは、フレームあたりの推測時間9.5msで92.3%の分類精度を達成する。 このフレームワークは、コンシューマグレードシステムにデプロイされた動作プロトタイプを通じて検証される。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the SIFT-SNN framework, a low-latency neuromorphic signal-processing pipeline for real-time detection of structural anomalies in transport infrastructure. The proposed approach integrates Scale-Invariant Feature Transform (SIFT) for spatial feature encoding with a latency-driven spike conversion layer and a Leaky Integrate-and-Fire (LIF) Spiking Neural Network (SNN) for classification. The Auckland Harbour Bridge dataset is recorded under various weather and lighting conditions, comprising 6,000 labelled frames that include both real and synthetically augmented unsafe cases. The presented system achieves a classification accuracy of 92.3% (+- 0.8%) with a per-frame inference time of 9.5 ms. Achieved sub-10 millisecond latency, combined with sparse spike activity (8.1%), enables real-time, low-power edge deployment. Unlike conventional CNN-based approaches, the hybrid SIFT-SNN pipeline explicitly preserves spatial feature grounding, enhances interpretability, supports transparent decision-making, and operates efficiently on embedded hardware. Although synthetic augmentation improved robustness, generalisation to unseen field conditions remains to be validated. The SIFT-SNN framework is validated through a working prototype deployed on a consumer-grade system and framed as a generalisable case study in structural safety monitoring for movable concrete barriers, which, as a traffic flow-control infrastructure, is deployed in over 20 cities worldwide.
• Abstract（参考訳）: 本稿では,輸送インフラにおける構造異常のリアルタイム検出のための低遅延ニューロモルフィック信号処理パイプラインであるSIFT-SNNフレームワークを提案する。 提案手法は,空間的特徴符号化のためのSIFT(Scale-Invariant Feature Transform)と,遅延駆動型スパイク変換層と分類のためのLeaky Integrate-and-Fire Spiking Neural Network(SNN)を統合する。 オークランド・ハーバー・ブリッジのデータセットは様々な天候と照明条件下で記録されており、実物と合成的に強化された安全でないケースを含む6000のラベル付きフレームから構成されている。 提案システムは、フレーム当たりの推論時間9.5msの92.3%(+-0.8%)の分類精度を実現している。 従来のCNNベースのアプローチとは異なり、ハイブリッドSIFT-SNNパイプラインは空間的特徴の基盤を明示的に保持し、解釈可能性を高め、透過的な意思決定をサポートし、組み込みハードウェア上で効率的に動作する。 合成増強によりロバスト性は向上したが, 未確認の場条件への一般化は検証されていない。 SIFT-SNNフレームワークは、コンシューマグレードシステムにデプロイされた作業プロトタイプを通じて検証され、移動型コンクリートバリアの構造安全監視における一般的なケーススタディとして、世界中の20都市に展開されている。

関連論文リスト

• Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
  本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。 マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
  論文  参考訳（メタデータ） (2025-11-25T05:57:29Z)
• Scalable Hierarchical AI-Blockchain Framework for Real-Time Anomaly Detection in Large-Scale Autonomous Vehicle Networks [0.5505634045241287]
  既存のセキュリティスキームでは、車両の大規模ネットワークの10ms未満の異常検出と分散調整ができない。 本稿では,リアルタイムな局所脅威検出と分散協調操作を分離する3層ハイブリッドセキュリティアーキテクチャであるHAVENを紹介する。 エッジ上の光アンサンブル異常検出モデル、Byzantine-fault-tolerant Federated Learningを使用して、地域規模の脅威インテリジェンスを集約する、重要なセキュリティ調整を保証するための選択されたブロックチェーンメカニズムが含まれている。
  論文  参考訳（メタデータ） (2025-11-16T15:30:46Z)
• SWA-PF: Semantic-Weighted Adaptive Particle Filter for Memory-Efficient 4-DoF UAV Localization in GNSS-Denied Environments [8.46731803518948]
  無人航空機(UAV)の局部化システムは、GNSS(Global Navigation Satellite System)により広範囲に研究されている。 可変高度シナリオのための大規模多高度飛行セグメントデータセット(MAFS)を提案する。 本稿では,これらの制約を克服するために,SWA-PF法を提案する。
  論文  参考訳（メタデータ） (2025-09-17T08:05:36Z)
• AQFusionNet: Multimodal Deep Learning for Air Quality Index Prediction with Imagery and Sensor Data [0.6466067363961121]
  この研究は、堅牢なAQI予測のためのマルチモーダルディープラーニングフレームワークであるAQFusionNetを紹介する。 このフレームワークは、軽量CNNバックボーンを用いた地上レベルの大気画像と汚染物質濃度データを統合する。 インドとネパールから8000以上のサンプルを採取した実験では、AQFusionNetが単調なベースラインを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-08-30T04:32:38Z)
• QDCNN: Quantum Deep Learning for Enhancing Safety and Reliability in Autonomous Transportation Systems [5.062798070922488]
  本稿では,輸送におけるCPSの安全性と信頼性を高めるために,QDCNN(Quantum Deep Convolutional Neural Network)を提案する。 提案したQDCNNは,正常な条件下での3つのデータセットと,雨による1つの道路を用いて,その頑健性を評価する。 これは計算効率の点で既存の手法よりも優れており、わずか0.0049352秒のシャドウ検出時間を達成する。
  論文  参考訳（メタデータ） (2025-03-01T19:04:44Z)
• Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
  交通流推定(TFE)はインテリジェント交通システムにおいて重要である。 本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。 このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
  論文  参考訳（メタデータ） (2024-07-10T20:26:04Z)
• Reconfigurable Intelligent Surface (RIS)-Assisted Entanglement Distribution in FSO Quantum Networks [62.87033427172205]
  自由空間光(FSO)量子チャネルに依存する量子ネットワーク(QN)は、光ファイバー基盤の確立が困難でコストがかかる環境における量子アプリケーションをサポートすることができる。 エンタングルメント分布のための仮想視線を提供する費用効率の高いフレームワークとして,再構成可能なインテリジェントサーフェス(RIS)を用いたFSOベースのQNを提案する。
  論文  参考訳（メタデータ） (2024-01-19T17:16:40Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
  狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。 導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
  論文  参考訳（メタデータ） (2022-05-22T12:16:43Z)
• SlimFL: Federated Learning with Superposition Coding over Slimmable Neural Networks [56.68149211499535]
  フェデレートラーニング(FL)は、デバイスの分散コンピューティング機能を活用した効率的なコミュニケーションとコンピューティングのための重要な実現手段である。 本稿では、FLと幅調整可能なスリムブルニューラルネットワーク(SNN)を統合した新しい学習フレームワークを提案する。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2022-03-26T15:06:13Z)
• Joint Superposition Coding and Training for Federated Learning over Multi-Width Neural Networks [52.93232352968347]
  本稿では,2つの相乗的技術,フェデレートラーニング(FL)と幅調整可能なスリムブルニューラルネットワーク(SNN)を統合することを目的とする。 FLは、ローカルに訓練されたモバイルデバイスのモデルを交換することによって、データのプライバシを保護している。しかしながら、SNNは、特に時間変化のあるチャネル条件との無線接続下では、非自明である。 局所モデル更新のためのグローバルモデル集約と重ね合わせ訓練(ST)に重ね合わせ符号化(SC)を併用した通信およびエネルギー効率の高いSNNベースFL(SlimFL)を提案する。
  論文  参考訳（メタデータ） (2021-12-05T11:17:17Z)

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。