論文の概要: TSBOW: Traffic Surveillance Benchmark for Occluded Vehicles Under Various Weather Conditions
- arxiv url: http://arxiv.org/abs/2602.05414v1
- Date: Thu, 05 Feb 2026 07:52:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-06 18:49:08.827179
- Title: TSBOW: Traffic Surveillance Benchmark for Occluded Vehicles Under Various Weather Conditions
- Title（参考訳）: TSBOW:各種気象条件下における排ガス車両の交通監視基準
- Authors: Ngoc Doan-Minh Huynh, Duong Nguyen-Ngoc Tran, Long Hoang Pham, Tai Huu-Phuong Tran, Hyung-Joon Jeon, Huy-Hung Nguyen, Duong Khac Vu, Hyung-Min Jeon, Son Hong Phan, Quoc Pham-Nam Ho, Chi Dai Tran, Trinh Le Ba Khanh, Jae Wook Jeon,
- Abstract要約: 既存のデータセットは、しばしば軽い干し草、雨、雪に限られており、極端な気象条件を捉えていない。
このギャップに対処するため,様々な気象条件下での降着車に対する交通サーベイランスベンチマーク(TSBOW)を導入する。
人口密度の高い都市部から32時間以上の実世界の交通データを収集し、TSBOWは48,000以上の手動注釈と320万のセミラベルフレームを含んでいる。
- 参考スコア（独自算出の注目度）: 17.496577478793906
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Global warming has intensified the frequency and severity of extreme weather events, which degrade CCTV signal and video quality while disrupting traffic flow, thereby increasing traffic accident rates. Existing datasets, often limited to light haze, rain, and snow, fail to capture extreme weather conditions. To address this gap, this study introduces the Traffic Surveillance Benchmark for Occluded vehicles under various Weather conditions (TSBOW), a comprehensive dataset designed to enhance occluded vehicle detection across diverse annual weather scenarios. Comprising over 32 hours of real-world traffic data from densely populated urban areas, TSBOW includes more than 48,000 manually annotated and 3.2 million semi-labeled frames; bounding boxes spanning eight traffic participant classes from large vehicles to micromobility devices and pedestrians. We establish an object detection benchmark for TSBOW, highlighting challenges posed by occlusions and adverse weather. With its varied road types, scales, and viewpoints, TSBOW serves as a critical resource for advancing Intelligent Transportation Systems. Our findings underscore the potential of CCTV-based traffic monitoring, pave the way for new research and applications. The TSBOW dataset is publicly available at: https://github.com/SKKUAutoLab/TSBOW.
- Abstract（参考訳）: 地球温暖化は、交通の流れを乱しながらCCTV信号と映像品質を低下させ、交通事故率を増大させる極度の気象現象の頻度と深刻度を高めている。
既存のデータセットは、しばしば軽い干し草、雨、雪に限られており、極端な気象条件を捉えていない。
このギャップに対処するために、様々な気象条件下での交通監視ベンチマーク(TSBOW)を導入する。
人口密度の高い都市部から32時間以上の実世界の交通データを収集し、TSBOWは48,000人以上の手動注釈と320万のセミラベルフレームを含む。
我々はTSBOWのオブジェクト検出ベンチマークを構築し、閉塞や悪天候による課題を強調した。
道路の種類、規模、視点により、TSBOWはインテリジェント・トランスポーテーション・システム(英語版)を推進するための重要な資源となっている。
我々の研究は、CCTVによる交通監視の可能性を強調し、新しい研究と応用の道を開いた。
TSBOWデータセットは、https://github.com/SKKUAutoLab/TSBOWで公開されている。
関連論文リスト
- AVOID: The Adverse Visual Conditions Dataset with Obstacles for Driving Scene Understanding [48.97660297411286]
シミュレーション環境におけるリアルタイム障害物検出のための新しいデータセットであるAVOIDを紹介する。
AVOIDは、様々な天候と時間条件下で捕獲された各経路に沿って、予期せぬ道路障害物からなる。
各画像は、対応するセマンティックマップと深度マップ、生およびセマンティックLiDARデータ、およびウェイポイントと結合される。
論文 参考訳（メタデータ） (2025-12-29T05:34:26Z) - Microscopic Vehicle Trajectory Datasets from UAV-collected Video for Heterogeneous, Area-Based Urban Traffic [2.31849429719105]
本稿では,無人航空機(UAV)を用いた異種都市交通条件下でのデータセットについて述べる。
UAVベースの記録は、これらの問題を減らし、豊かな空間的・時間的ダイナミクスを捉えるトップダウンの視点を提供する。
データは、インドの首都圏の6つの中間ブロックで収集され、多様な交通構成と密度レベルをカバーしている。
論文 参考訳（メタデータ） (2025-12-10T08:27:17Z) - FLUID: A Fine-Grained Lightweight Urban Signalized-Intersection Dataset of Dense Conflict Trajectories [13.847243701930879]
本研究は,典型的な都市信号化交差点における高密度コンフリクトを捕捉する微粒な軌跡データセットを含むFLUIDを紹介する。
FLUIDは3つの異なる交差点をカバーしており、録音時間はおよそ5時間で、8つのカテゴリに2万以上のTPがある。
データセットは毎分平均で2台の車両が衝突し、全自動車の約25%が関与している。
論文 参考訳（メタデータ） (2025-08-30T13:38:42Z) - 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) - eTraM: Event-based Traffic Monitoring Dataset [23.978331129798356]
我々は、イベントベースのトラフィック監視データセットであるeTraMを紹介した。
eTraMは、様々な照明と気象条件の異なる交通シナリオから10時間のデータを提供する。
車両から歩行者、マイクロモビリティまで、交通参加者の8つの異なるクラスをカバーしている。
論文 参考訳（メタデータ） (2024-03-29T04:58:56Z) - Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。
小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。
128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文 参考訳（メタデータ） (2024-02-01T15:59:16Z) - DenseLight: Efficient Control for Large-scale Traffic Signals with Dense
Feedback [109.84667902348498]
交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。
従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。
DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
論文 参考訳（メタデータ） (2023-06-13T05:58:57Z) - Mixed Traffic Control and Coordination from Pixels [18.37701232116777]
交通制御の従来の手法は、現在の渋滞レベルを緩和する上で無駄であることが証明されている。
これにより、ロボット車両が強化学習(RL)を通して人間駆動車両を規制する交通制御が混在する。
本研究では,環境の正確な情報を用いて,画像観測を用いたロボット車両の競争性能を示す。
論文 参考訳（メタデータ） (2023-02-17T22:40:07Z) - Vision in adverse weather: Augmentation using CycleGANs with various
object detectors for robust perception in autonomous racing [70.16043883381677]
自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。
悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。
本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
論文 参考訳（メタデータ） (2022-01-10T10:02:40Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - DAWN: Vehicle Detection in Adverse Weather Nature Dataset [4.09920839425892]
本研究では,DAWNと呼ばれる各種気象条件下で収集した実世界の画像からなる新しいデータセットを提案する。
このデータセットは、実際の交通環境から1000枚の画像を集め、霧、雪、雨、砂嵐の4つの天候条件に分けられる。
このデータは,車両検知システムの性能に及ぼす悪天候の影響の解明に有効である。
論文 参考訳（メタデータ） (2020-08-12T15:48:49Z)
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。