論文の概要: Hybrid Congestion Classification Framework Using Flow-Guided Attention and Empirical Mode Decomposition

• arxiv url: http://arxiv.org/abs/2605.04752v1
• Date: Wed, 06 May 2026 10:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.78297
• Title: Hybrid Congestion Classification Framework Using Flow-Guided Attention and Empirical Mode Decomposition
• Title（参考訳）: Flow-Guided Attention と Empirical Mode Decomposition を用いたハイブリッド混雑分類フレームワーク
• Authors: Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah,
• Abstract要約: 本研究では,FLO-EMDというハイブリッド手法を提案する。 4つの監視ネットワークから1050本の5秒のクリップでの実験は、FLO-EMD 97.5%のテスト精度を示している。
• 参考スコア（独自算出の注目度）: 6.830580384536778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate traffic congestion classification requires models that jointly capture roadway scene context and non-stationary traffic motion, yet most prior work treats these requirements in isolation. Vision-based methods often depend on appearance cues with standard temporal pooling, which can bias predictions toward static infrastructure, whereas signal-based approaches characterize temporal dynamics but lack the spatial context needed for scene-level localization. These complementary limitations motivate a unified framework that links motion evidence to spatial feature selection while preserving data-adaptive temporal characterization. This study therefore proposes FLO-EMD, a hybrid approach that couples motion-guided attention with empirical, data-driven temporal decomposition. Dense optical flow guides channel and spatial attention so that RGB features are refined toward motion-relevant regions. In parallel, aggregated flow statistics form compact motion traces that are decomposed using Empirical Mode Decomposition (EMD) to extract intrinsic temporal components. The resulting EMD embedding is fused with learned spatiotemporal representations to classify light, medium, and heavy congestion. Experiments on 1,050 five-second clips from four surveillance networks show that FLO-EMD achieves 97.5% overall test accuracy (weighted F1 = 0.9742), outperforming established baselines and remaining robust across diverse environmental conditions; ablation and sensitivity analyses further quantify the contributions of EMD, the number of intrinsic mode functions, and the selected motion descriptors.
• Abstract（参考訳）: 正確な交通渋滞分類には、道路のシーンコンテキストと静止しない交通の動きを共同でキャプチャするモデルが必要であるが、ほとんどの先行研究はこれらの要求を分離して扱う。 視覚に基づく手法は、しばしば標準的な時空間プーリングによる外観に頼り、静的なインフラへの偏りを予測できるが、信号に基づくアプローチは時間的ダイナミクスを特徴付けるが、シーンレベルのローカライゼーションに必要な空間的コンテキストは欠く。 これらの補足的制限は、データ適応的時間的特徴を保ちながら、動きの証拠を空間的特徴選択に結びつける統一的な枠組みを動機付けている。 そこで本研究では,動作誘導型注意とデータ駆動型時間分解を併用したハイブリッドアプローチFLO-EMDを提案する。 RGB特徴が動き関連領域に向けて洗練されるように、高密度光フローガイドはチャネルと空間的注意を誘導する。 並列に集約フロー統計は、経験的モード分解(EMD)を用いて分解されたコンパクトな運動トレースを形成し、固有の時間成分を抽出する。 得られたEMD埋め込みは、光、媒質、重度の混雑を分類するために学習された時空間表現と融合する。 4つの監視ネットワークによる1,050本の5秒のクリップの実験では、FLO-EMDは97.5%の総合的なテスト精度(重み付きF1 = 0.9742)を達成し、確立されたベースラインを上回り、様々な環境条件で頑健である。

関連論文リスト

• Temporally Decoupled Diffusion Planning for Autonomous Driving [6.701508758642954]
  動的都市環境における運動計画には、短期的目標と即時安全のバランスが必要である。 本稿では、ノイズ・アズ・マスクのパラダイムを用いて軌道生成を再構成する時間分解拡散モデル(TDDM)を提案する。 トラジェクトリを独立したノイズレベルを持つセグメントに分割することにより、高雑音を情報空白として、弱い雑音を文脈的手がかりとして暗黙的に扱う。 これにより、より保存状態の良い時間的文脈と内部相関を利用して、破損した短期状態にモデルを補うことができる。
  論文  参考訳（メタデータ） (2026-03-26T14:04:15Z)
• Event-based Visual Deformation Measurement [76.25283405575108]
  視覚的変形測定は、カメラ観測から表面の動きを追跡することによって、高密度な変形場を復元することを目的としている。 従来の画像ベースの手法は、対応検索空間を制限するため、最小限のフレーム間動作に依存している。 本研究では,時間的に密集した動きキューやフレームのイベントを利用して,空間的に密集した正確な推定を行うイベントフレーム融合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-16T01:04:48Z)
• Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
  機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。 既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。 5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
  論文  参考訳（メタデータ） (2026-02-09T04:42:42Z)
• Inference-Time Gaze Refinement for Micro-Expression Recognition: Enhancing Event-Based Eye Tracking with Motion-Aware Post-Processing [2.5465367830324905]
  イベントベースの視線追跡は、きめ細かい認知状態の推測に重要な可能性を秘めている。 本稿では、既存の事象に基づく視線推定モデルの出力を高めるために、モデルに依存しない推論時間改善フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-14T14:48:11Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• FlowMo: Variance-Based Flow Guidance for Coherent Motion in Video Generation [51.110607281391154]
  FlowMoは、テキスト・ビデオ・モデルにおける動きコヒーレンスを高めるためのトレーニング不要のガイダンス手法である。 時間次元のパッチワイドな分散を測定して動きのコヒーレンスを推定し、サンプリング中にこの分散を動的に減少させるためにモデルを導く。
  論文  参考訳（メタデータ） (2025-06-01T19:55:33Z)
• EHGCN: Hierarchical Euclidean-Hyperbolic Fusion via Motion-Aware GCN for Hybrid Event Stream Perception [57.54227977352417]
  イベントカメラは、知覚タスクのための高速なイベントストリームを出力する。 ユークリッド空間と双曲空間の両方においてイベントストリームを知覚するためのEHGCNという新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-23T11:01:03Z)
• Cross Space and Time: A Spatio-Temporal Unitized Model for Traffic Flow Forecasting [16.782154479264126]
  時間的要因間の複雑な相互作用により、バックボーン・時間的トラフィックフローを予測することが課題となる。 既存のアプローチでは、これらの次元を分離し、重要な相互依存を無視している。 本稿では,空間的および時間的依存関係の両方をキャプチャする統合フレームワークであるSanonymous-Temporal Unitized Unitized Cell (ASTUC)を紹介する。
  論文  参考訳（メタデータ） (2024-11-14T07:34:31Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)

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。