論文の概要: Video Detector: A Dual-Phase Vision-Based System for Real-Time Traffic Intersection Control and Intelligent Transportation Analysis

• arxiv url: http://arxiv.org/abs/2603.14861v1
• Date: Mon, 16 Mar 2026 06:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.086195
• Title: Video Detector: A Dual-Phase Vision-Based System for Real-Time Traffic Intersection Control and Intelligent Transportation Analysis
• Title（参考訳）: ビデオ検出器:リアルタイム交通遮断制御とインテリジェント交通解析のためのデュアル位相ビジョンベースシステム
• Authors: Mustafa Fatih Şen, Halûk Gümüşkaya, Şenol Pazar,
• Abstract要約: 本研究では,二相視覚に基づく交通交差点管理システムであるビデオ検出器(VD)について述べる。 このフレームワークは、交差点制御のためのリアルタイムモジュール(VD-RT)と、詳細な交通行動解析のためのオフライン分析モジュール(VD-Offline)を統合する。 実験の結果、最大90%の精度と29.5 mAP@0.5の検知性能を示し、HDビデオストリーム上で37 FPSのリアルタイムスループットを維持した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Urban traffic management increasingly requires intelligent sensing systems capable of adapting to dynamic traffic conditions without costly infrastructure modifications. Vision-based vehicle detection has therefore become a key technology for modern intelligent transportation systems. This study presents Video Detector (VD), a dual-phase vision-based traffic intersection management system designed as a flexible and cost-effective alternative to traditional inductive loop detectors. The framework integrates a real-time module (VD-RT) for intersection control with an offline analytical module (VD-Offline) for detailed traffic behavior analysis. Three system configurations were implemented using SSD Inception v2, Faster R-CNN Inception v2, and CenterNet ResNet-50 V1 FPN, trained on datasets totaling 108,000 annotated images across 6-10 vehicle classes. Experimental results show detection performance of up to 90% test accuracy and 29.5 mAP@0.5, while maintaining real-time throughput of 37 FPS on HD video streams. Field deployments conducted in collaboration with Istanbul IT and Smart City Technologies Inc. (ISBAK) demonstrate stable operation under diverse environmental conditions. The system supports virtual loop detection, vehicle counting, multi-object tracking, queue estimation, speed analysis, and multiclass vehicle classification, enabling comprehensive intersection monitoring without the need for embedded road sensors. The annotated dataset and training pipeline are publicly released to support reproducibility. These results indicate that the proposed framework provides a scalable and deployable vision-based solution for intelligent transportation systems and smart-city traffic management.
• Abstract（参考訳）: 都市交通管理は、インフラのコストのかかる変更を伴わずに、動的な交通条件に適応できるインテリジェントなセンシングシステムを必要としている。 そのため、視覚に基づく車両検出は現代のインテリジェント交通システムにとって重要な技術となっている。 本研究は,従来の誘導型ループ検出器に代わる,フレキシブルで費用対効果の高い2相視覚に基づく交通交差点管理システムであるビデオ検出器(VD)を提案する。 このフレームワークは、交差点制御のためのリアルタイムモジュール(VD-RT)と、詳細な交通行動解析のためのオフライン分析モジュール(VD-Offline)を統合する。 3つのシステム構成はSSD Inception v2、Faster R-CNN Inception v2、CenterNet ResNet-50 V1 FPNを使用して実装され、6-10台の車両クラスにわたる108,000の注釈付きイメージのデータセットでトレーニングされた。 実験の結果、最大90%の精度と29.5 mAP@0.5の検知性能を示し、HDビデオストリーム上で37 FPSのリアルタイムスループットを維持した。 Istanbul IT と Smart City Technologies Inc. (ISBAK) が共同で実施したフィールド展開は, 多様な環境条件下での安定した運用を実証している。 このシステムは,仮想ループ検出,車両カウント,多対象追跡,待ち行列推定,速度解析,多クラス車両分類をサポートし,道路センサを組み込まずに総合的な交差点監視を可能にする。 アノテーション付きデータセットとトレーニングパイプラインは、再現性をサポートするために公開されている。 これらの結果から,提案フレームワークは,インテリジェントトランスポートシステムとスマートシティトラフィック管理のための,スケーラブルでデプロイ可能なビジョンベースのソリューションを提供することが示された。

関連論文リスト

• A Dynamic Transformer Network for Vehicle Detection [57.4144097001218]
  車両検出のための動的トランスフォーマーネットワーク(DTNet)を提案する。 DTNetは動的畳み込みを利用してディープネットワークを誘導し、重量を動的に生成し、得られた検出器の適応性を高める。 画像アカウントにおける差の欠点を克服するため、変換変分畳み込みは、取得した車両検出構造情報を洗練するために、空間的位置情報に依存する。
  論文  参考訳（メタデータ） (2025-06-03T11:29:35Z)
• Towards Intelligent Transportation with Pedestrians and Vehicles In-the-Loop: A Surveillance Video-Assisted Federated Digital Twin Framework [62.47416496137193]
  本稿では,歩行者や車いすによるITSを支援するための監視ビデオ支援型デジタルツイン(SV-FDT)フレームワークを提案する。 i)複数のソースからトラフィック監視ビデオを収集するエンドレイヤ、(ii)セマンティックセグメンテーションに基づく視覚理解、ツインエージェントベースのインタラクションモデリング、およびローカルデジタルツインシステム(LDTS)をローカルで作成するエッジレイヤ、(iii)異なるリージョンにわたるLDTSを統合してグローバルDTモデルをリアルタイムで構築するクラウドレイヤの3層で構成されている。
  論文  参考訳（メタデータ） (2025-03-06T07:36:06Z)
• Leveraging Multimodal-LLMs Assisted by Instance Segmentation for Intelligent Traffic Monitoring [6.648291808015463]
  本研究では,リアルタイムQuanser Interactive Labシミュレーションプラットフォーム上でのトラフィック監視作業にLLaVAビジュアルグラウンド・マルチモーダル大言語モデル(LLM)を利用する。 複数の都市に設置されたカメラはシミュレーションからリアルタイムの画像を収集し、LLaVAモデルに入力して分析を行う。 このシステムは、車両の位置を認識する精度が84.3%、ステアリング方向が76.4%で、従来のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-16T23:03:26Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Multi-level Traffic-Responsive Tilt Camera Surveillance through Predictive Correlated Online Learning [16.25152138605216]
  本稿では,TTC-Xのマルチレベル交通タイミングカメラ監視システムについて紹介する。 TTC-Xは、従来の監視システムにおける固定視野の限界を克服し、動員および360度のカバレッジを提供する。 ニューヨーク州ブルックリンの現実世界の交通データを用いて,3つの実験シナリオで検証および評価を行った。
  論文  参考訳（メタデータ） (2024-08-05T03:17:44Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Traffic-Net: 3D Traffic Monitoring Using a Single Camera [1.1602089225841632]
  我々は,1台のCCTVトラヒックカメラを用いたリアルタイムトラヒック監視のための実用的なプラットフォームを提供する。 車両・歩行者検出のためのカスタムYOLOv5ディープニューラルネットワークモデルとSORT追跡アルゴリズムの改良を行った。 また、短時間・長期の時間的ビデオデータストリームに基づく階層的なトラフィックモデリングソリューションも開発している。
  論文  参考訳（メタデータ） (2021-09-19T16:59:01Z)
• Artificial Intelligence Enabled Traffic Monitoring System [3.085453921856008]
  本稿では,深層畳み込みニューラルネットワークを用いたリアルタイム交通映像の自動監視手法を提案する。 提案システムは、さまざまなトラフィック監視ニーズを自動化するために、最先端のディープラーニングアルゴリズムをデプロイする。
  論文  参考訳（メタデータ） (2020-10-02T22:28:02Z)

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。