論文の概要: A Geometry-Informed Computer Vision Method for Detecting and Examining Overtaking Vehicles From A Bicycle

• arxiv url: http://arxiv.org/abs/2606.23699v1
• Date: Wed, 03 Jun 2026 17:41:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-28 23:46:52.311474
• Title: A Geometry-Informed Computer Vision Method for Detecting and Examining Overtaking Vehicles From A Bicycle
• Title（参考訳）: 形状インフォームドコンピュータビジョンによる自転車の乗用車の検出と評価
• Authors: Gandhimathi Padmanaban, Rayane Moustafa, Fred Feng,
• Abstract要約: 本稿では,自転車に搭載された1台のカメラからのイベント検出を自動で行う,幾何学インフォームドコンピュータビジョンパイプラインを提案する。 パイプラインは97.8%のリコールを達成し、偽陽性はゼロとなり、車両通過の2.44秒前の平均を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Instrumented bicycle studies have produced direct field evidence on vehicle passing behavior, but extracting overtaking events from continuous rear-facing video has remained dependent on manual, frame-by-frame annotation. This bottleneck constrains sample sizes and limits naturalistic cycling safety research. We present a geometry-informed computer vision pipeline that automates overtaking event detection from a single bicycle-mounted camera without multi-sensor configurations or explicit camera calibration. The system combines RT-DETR object detection with ByteTrack multi-object tracking through a three-stage geometric validation module enforcing bearing angle trend, apparent size growth, and spatial confirmation criteria derived from perspective projection principles. Validated on 315 manually annotated real-world overtaking events from urban roads in Ann Arbor, Michigan, the pipeline achieved 97.8% recall with zero false positives. The system identified overtaking intentions a mean of 2.44 seconds before vehicle passage, with 84.1% of events exceeding the 1.5-second human reaction time threshold, demonstrating feasibility for active cyclist warning. Lateral passing distance measurements from 96 events revealed 33.3% of passes below the 5-foot (152.4 cm) threshold, consistent with non-compliance rates in prior field and self-reported studies. A preliminary calibration-free lateral distance estimation approach using bounding box geometric features achieved mean absolute errors of 13-14 cm under leave-one-out cross-validation, sufficient to distinguish close passes from standard passes for safety categorization. By automating event isolation from consumer-grade footage, the system removes the primary annotation bottleneck of instrumented bicycle research and provides a scalable foundation for vehicle-bicycle interaction analysis across larger datasets and diverse urban environments.
• Abstract（参考訳）: 計器的な自転車の研究は、車両の通過行動に関する直接的な証拠を生み出しているが、連続した後向きのビデオからイベントを抽出することは、手動のフレーム・バイ・フレームのアノテーションに依存している。 このボトルネックはサンプルサイズを制限し、自然循環安全研究を制限する。 本稿では,マルチセンサ構成や明示的なカメラキャリブレーションを伴わずに,自転車に搭載された1台のカメラからのイベント検出を自動化した幾何学的インフォームドコンピュータビジョンパイプラインを提案する。 このシステムは、RT-DETRオブジェクト検出とByteTrackマルチオブジェクトトラッキングを3段階の幾何学的検証モジュールで組み合わせ、角度傾向、見かけの大きさの増大、および視点投影原理から導かれる空間的確認基準を付与する。 ミシガン州アンアーバーの都市道路から、手動でアノテートされた現実世界のイベントが315件確認され、97.8%のリコールが達成され、偽陽性はゼロとなった。 このシステムは、車両通過の2.44秒前の平均値を特定し、84.1%のイベントが1.5秒の人間の反応時間閾値を超え、アクティブなサイクリスト警告の可能性を示した。 96の事象からの側方通過距離の測定では、5フィート(152.4 cm)未満のパスの33.3%が前野での非準拠率と自己報告された研究と一致していることがわかった。 境界箱幾何学的特徴を用いた予備キャリブレーションフリー横方向距離推定手法は,13～14cmの絶対誤差を1/1のクロスバリデーションで達成し,安全分類のための標準パスと近接パスを区別するのに十分であった。 コンシューマグレードの映像からイベント分離を自動化することで、計測された自転車研究の主要なアノテーションボトルネックを排除し、大規模なデータセットと多様な都市環境をまたいだ車と自転車の相互作用分析のスケーラブルな基盤を提供する。

関連論文リスト

• Mobile Traffic Camera Calibration from Road Geometry for UAV-Based Traffic Surveillance [0.1019561860229868]
  視線画像座標で車両の動きが観察されるため、交通分析にUAVビデオを使用するのは困難である。 本稿では,単眼のUAVトラヒック映像を局所的な視線表示に変換するための軽量パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-05-12T10:14:43Z)
• Measuring Braking Behavior Using Vehicle Tracking and Camera-to-Satellite Homography Rectification [4.61803711540329]
  本稿では,信号化都市高速道路における車両の挙動とブレーキイベントに着目し,交通カメラ映像を解析するためのオープンソースソフトウェアアプリケーションを提案する。 中心となるイノベーションは、固定されたトラフィックカメラビューと衛星の直視を結びつける、堅牢な地上面のホモグラフィー推定である。 すべての検出およびトラジェクトリデータは、その後の分析のためにClickHouseデータベースに格納される。
  論文  参考訳（メタデータ） (2026-01-24T18:59:32Z)
• Lane-Wise Highway Anomaly Detection [8.086502588472783]
  本稿では,車線道路交通異常検出のためのスケーラブルかつ解釈可能なフレームワークを提案する。 従来のセンサ依存の手法とは異なり、我々の手法はAIを利用した視覚モデルを用いて車線固有の特徴を抽出する。 我々のフレームワークは、精度、リコール、F1スコアにおいて最先端の手法より優れています。
  論文  参考訳（メタデータ） (2025-05-05T12:32:23Z)
• Multiple Object Detection and Tracking in Panoramic Videos for Cycling Safety Analysis [2.1587168792694102]
  サイクリストは不均等な怪我のリスクに直面しているが、従来の事故記録は事故の状況を再構築するにはあまりに限られている。 近年の自然主義的な研究は、衝突に寄与する複雑な行動的・インフラ的要因を捉える方法として注目を集めている。 パノラマビデオ(パノラマビデオ、パノラマビデオ)は、ライダーの周囲の360度映像を撮影する。 本研究は, パノラマ画像の物体検出精度を高めるために,(1)元の360度画像を4つの視点のサブイメージに分割・投影することにより,歪みを低減させる,(2)境界連続性とオブジェクトカテゴリ情報を組み込んだ多対象追跡モデルを修正する,という3段階の枠組みを提案する。
  論文  参考訳（メタデータ） (2024-07-21T15:37:55Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• Phase Space Reconstruction Network for Lane Intrusion Action Recognition [9.351931162958465]
  本稿では,動作時系列分類のための新しいオブジェクトレベル位相空間再構成ネットワーク(PSRNet)を提案する。 私たちのpsrnetは最高精度98.0%に達し、既存のアクション認識アプローチを30%以上上回っています。
  論文  参考訳（メタデータ） (2021-02-22T16:18:35Z)
• Towards Autonomous Driving: a Multi-Modal 360$^{\circ}$ Perception Proposal [87.11988786121447]
  本稿では,自動運転車の3次元物体検出と追跡のためのフレームワークを提案する。 このソリューションは、新しいセンサ融合構成に基づいて、正確で信頼性の高い道路環境検出を提供する。 自動運転車に搭載されたシステムの様々なテストは、提案された知覚スタックの適合性を評価することに成功している。
  論文  参考訳（メタデータ） (2020-08-21T20:36:21Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。