論文の概要: Multi-modal Rail Crossing Safety Analysis

• arxiv url: http://arxiv.org/abs/2607.01365v1
• Date: Wed, 01 Jul 2026 18:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.552922
• Title: Multi-modal Rail Crossing Safety Analysis
• Title（参考訳）: マルチモーダル鉄道踏切安全解析
• Abstract要約: 鉄道横断の1つ以上の画像があれば、視覚的な手がかりを利用して、どれだけ安全かをしっかり見積もることができるだろうか? 本稿では,鉄道横断のマルチモーダルデータを取り込み,専門家の意見と,連邦鉄道局(FRA)が使用する安全スコアに合わせた安全評価とスコアを提供するシステムを提案する。 提案システムでは、マクロF1スコア0.757のハイリスクとローリスクの交差を同定し、FRAベースの安全スコアをRMSE0.078と相関0.492で推定する。
• 参考スコア（独自算出の注目度）: 7.874272026541354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given one or more images of a railway crossing, can we leverage visual cues that allow us to robustly estimate how safe it is? Can we improve our ability to do so by introducing structured data (such as official accident reports) about the accident history of that crossing into our models? In this work, we explore how to best answer those questions towards building an AI system that can ingest multi-modal data for railway crossings and provide safety assessment and scores that align with expert opinion and with safety scoring used by the Federal Railroad Administration (FRA). To that end, we propose a proof-of-concept pipeline that delivers on that goal, while at the same time exploring and tackling a number of critical research challenges that pertain to different parts of the pipeline, from data preparation to different learning paradigms that can allow us to realize such a system. Indicatively, our proposed system identifies HIGH-RISK and LOW-RISK crossings with a macro F1 score of 0.757 and estimates FRA-based safety scores with an RMSE of 0.078 and correlation of 0.492 using a routed fine-tuned compact VLM pipeline, while producing qualitative results that align with domain-expert assessment.
• Abstract（参考訳）: 鉄道横断の1つ以上の画像があれば、視覚的な手がかりを利用して、どれだけ安全かをしっかり見積もることができるだろうか? モデルに渡った事故履歴に関する構造化データ(公式の事故報告など)を導入することで、その能力を改善することができるでしょうか? 本研究では,鉄道横断のマルチモーダルデータを取り込み,専門家の意見に沿った安全評価とスコアと,連邦鉄道局(FRA)が使用する安全スコアを提供するAIシステムの構築に向けて,これらの疑問に最もよく答える方法について検討する。 その目的を達成するための概念実証パイプラインを提案すると同時に,データ準備から,そのようなシステムを実現するためのさまざまな学習パラダイムに至るまで,パイプラインのさまざまな部分に関わる重要な研究課題を探索し,対処する。 提案システムは,マクロF1スコア0.757の高RISKと低RISKの交差点を同定し,FRAに基づく安全性スコアをRMSE0.078で推定し,ルーティングされた細調整されたコンパクトVLMパイプラインを用いて0.492の相関を推定し,ドメインエキスパート評価と整合した定性的な結果を生成する。

関連論文リスト

• Understanding Real-World Traffic Safety through RoadSafe365 Benchmark [34.52836638662823]
  RoadSafe365は、交通安全分析のための大規模ビジョンベンチマークである。 広範囲で多様な実世界のビデオデータ収集からの交通安全のきめ細かい分析をサポートする。 RoadSafe365は、階層的な分類法を用いて、独立にキュレーションされ、体系的に組織化されている。
  論文  参考訳（メタデータ） (2026-02-06T21:48:25Z)
• GuardTrace-VL: Detecting Unsafe Multimodel Reasoning via Iterative Safety Supervision [47.99880677909197]
  GuardTrace-VLは、共同画像テキスト分析を通じてQTAパイプライン全体を監視する、視覚対応の安全監査ツールである。 本研究では,データ修正プロセスと組み合わさった3段階のプログレッシブトレーニング手法を提案する。 提案したテストセットでは、ドメイン内シナリオとドメイン外シナリオの両方を対象として、安全でない推論検出タスクにおいて、GuardTrace-VLモデルがF1スコア93.1%を達成した。
  論文  参考訳（メタデータ） (2025-11-26T02:49:51Z)
• SafeDriveRAG: Towards Safe Autonomous Driving with Knowledge Graph-based Retrieval-Augmented Generation [27.135615596331263]
  視覚言語モデル(VLM)は、自律運転システムの安全性を高めるために利用することができる。 既存の研究は、交通安全クリティカルな運転シナリオにおけるこれらのモデルの評価を概ね見落としている。 本稿では,視覚的質問応答のための知識グラフに基づく検索拡張生成を用いたVLMに基づく新しいベースラインを提案する。
  論文  参考訳（メタデータ） (2025-07-29T08:40:17Z)
• Intelligent Railroad Grade Crossing: Leveraging Semantic Segmentation and Object Detection for Enhanced Safety [0.11999555634662631]
  RHGCの事故と遅れは、アメリカ合衆国連邦鉄道管理局(FRA)に重大な安全上の懸念をもたらす。 本研究では、機械学習とコンピュータビジョン技術を活用してRHGCの安全性を高めるインテリジェントシステムを提案する。
  論文  参考訳（メタデータ） (2024-03-17T02:15:15Z)
• Is it safe to cross? Interpretable Risk Assessment with GPT-4V for Safety-Aware Street Crossing [8.468153670795443]
  本稿では,大規模なマルチモーダルモデル(LMM)を活用し,複雑な交差点シーンを解釈する革新的な手法を提案する。 安全スコアとシーン記述を自然言語で生成することにより,視覚障害者の安全意思決定を支援する。
  論文  参考訳（メタデータ） (2024-02-09T21:37:13Z)
• Safeguarded Progress in Reinforcement Learning: Safe Bayesian Exploration for Control Policy Synthesis [63.532413807686524]
  本稿では、強化学習(RL)におけるトレーニング中の安全維持の問題に対処する。 探索中の効率的な進捗と安全性のトレードオフを扱う新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-12-18T16:09:43Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning [66.56240101249803]
  我々は,クライアントの強固化がグローバルモデル(および悪意のあるクライアント)に与える影響について検討する。 本稿では, 逆エンジニアリングによる防御手法を提案するとともに, 堅牢性を保証して, 改良を実現できることを示す。 競合する8つのSOTA防御法について, 単発および連続のFLバックドア攻撃に対して, 提案手法の実証的優位性を示した。
  論文  参考訳（メタデータ） (2022-10-23T22:24:03Z)
• Benchmarking Safe Deep Reinforcement Learning in Aquatic Navigation [78.17108227614928]
  本研究では,水文ナビゲーションに着目した安全強化学習のためのベンチマーク環境を提案する。 価値に基づく政策段階の深層強化学習(DRL)について考察する。 また,学習したモデルの振る舞いを所望の特性の集合上で検証する検証戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-16T16:53:56Z)
• Generating and Characterizing Scenarios for Safety Testing of Autonomous Vehicles [86.9067793493874]
  最先端運転シミュレータを用いて,テストシナリオを特徴付け,生成するための効率的なメカニズムを提案する。 次世代シミュレーション(NGSIM)プロジェクトにおける実運転データの特徴付けに本手法を用いる。 事故回避の複雑さに基づいてメトリクスを定義してシナリオをランク付けし、事故発生の可能性を最小限に抑えるための洞察を提供します。
  論文  参考訳（メタデータ） (2021-03-12T17:00:23Z)

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。