論文の概要: A Review of Vision-Based Vehicle Detection for UAV-Based Traffic Monitoring: Experimental Insights and Future Directions

• arxiv url: http://arxiv.org/abs/2608.07571v1
• Date: Tue, 04 Aug 2026 08:15:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.441818
• Title: A Review of Vision-Based Vehicle Detection for UAV-Based Traffic Monitoring: Experimental Insights and Future Directions
• Title（参考訳）: UAVによる交通監視のための視覚に基づく車両検出の展望と今後の展望
• Abstract要約: 無人航空機(UAV)をベースとした監視は、広い範囲とリアルタイムのデータ収集機能を備えた交通監視の革新的なソリューションを提供する。 固定地上インフラと比較して、UAVはダイナミックな交通に応答できるが、様々な高度での車両検出のような課題を提示することができる。 深層学習は検出精度の向上に大きく貢献してきたが、実際の展開においては、現在の輸送システムとの正確性、レイテンシ、調和性に対する批判的な評価を慎重に検討する必要がある。
• 参考スコア（独自算出の注目度）: 4.8342038441006805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In Intelligent Transportation System (ITS), unmanned aerial vehicle (UAV)-based surveillance offers an innovative solution to traffic surveillance with wide coverage and real-time data collection capabilities. In comparison to fixed ground-based infrastructure, UAVs are able to respond to dynamic traffic but present challenges such as vehicle detection at varying altitudes, compensation for motion-induced image variations and efficient processing of high-resolution images. Deep learning has been largely beneficial on improving the detection accuracy; however, for practical deployment, a critical assessment of the accuracy, latency, and harmonization with current transportation systems needs to be carefully considered. This survey reviews recent advancements in the UAV-based traffic monitoring, with a primary focus being deep neural network models for traffic analytics in various urban settings. Three main challenges identified in the literature are ensuring compatibility with traffic control systems, achieving real-time processing to optimize traffic flow, and maintaining robust detection in different environmental conditions. Existing solutions often lack comprehensive frameworks for utilizing UAV captured data to respond to incidents and manage traffic effectively. Future research should focus on optimal detection models, edge processing, and adaptive control integration to improve the responsiveness of urban traffic management.
• Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS: Intelligent Transportation System)では、無人航空機(UAV)をベースとした監視が、広範なカバレッジとリアルタイムデータ収集機能を備えた交通監視の革新的なソリューションを提供する。 固定地上インフラと比較して、UAVは動的トラフィックに応答できるが、様々な高度での車両検出、動きによって引き起こされる画像の変化の補償、高解像度画像の効率的な処理といった課題を提示することができる。 深層学習は検出精度の向上に大きく貢献してきたが、実際の展開においては、現在の輸送システムとの正確性、レイテンシ、調和性に対する批判的な評価を慎重に検討する必要がある。 この調査は、UAVベースの交通監視の最近の進歩をレビューする。主な焦点は、様々な都市環境での交通分析のためのディープニューラルネットワークモデルである。 文献で確認された3つの主な課題は、交通制御システムとの互換性を確保し、交通の流れを最適化するためのリアルタイム処理を実現し、異なる環境条件下で堅牢な検出を維持することである。 既存のソリューションは、インシデントに対応し、トラフィックを効果的に管理するために、UAVが取得したデータを利用する包括的なフレームワークを欠いていることが多い。 今後の研究は、都市交通管理の応答性を改善するため、最適検出モデル、エッジ処理、適応制御統合に焦点を当てるべきである。

関連論文リスト

• UAV traffic scene understanding: A regulation embedded multi-modal network and a unified benchmark [22.241798167957214]
  無人航空機(UAV)プラットフォームからの交通状況の理解は、インテリジェント輸送システムにとって不可欠である。 既存の手法は、光学画像に大きく依存しているため、現実世界の監視において重大な課題に直面している。 本稿では,UAVトラフィックシーン理解のための新しいマルチモーダルトラフィック認知ネットワーク(MTCNet)を提案する。
  論文  参考訳（メタデータ） (2026-03-11T12:53:38Z)
• DARTS: A Drone-Based AI-Powered Real-Time Traffic Incident Detection System [4.230713219853656]
  DARTSは、AIを利用したドローンによるリアルタイム交通事故検知システムである。 このシステムは、自己収集されたデータセットで99%の精度で検出された。 現地試験では、DARTSは地方交通管理センターより12分早く後方衝突を検出し、確認した。
  論文  参考訳（メタデータ） (2025-10-29T22:32:16Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• 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)
• Traffic Co-Simulation Framework Empowered by Infrastructure Camera Sensing and Reinforcement Learning [5.942910148207331]
  マルチエージェント強化学習(MARL)は、反復シミュレーションを用いて、ネットワーク内の信号機の制御戦略の学習に特に有効である。 本研究では,高忠実度3次元モデリングと大規模交通流シミュレーションを組み合わせたCARLAシミュレートとSUMOを組み合わせた協調シミュレーションフレームワークを提案する。 実時間カメラを用いた交通状況検出におけるMARL手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-05T07:01:56Z)
• 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)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Data Freshness and Energy-Efficient UAV Navigation Optimization: A Deep Reinforcement Learning Approach [88.45509934702913]
  我々は、移動基地局(BS)が配備される複数の無人航空機(UAV)のナビゲーションポリシーを設計する。 我々は、地上BSにおけるデータの鮮度を確保するために、エネルギーや情報年齢(AoI)の制約などの異なる文脈情報を組み込んだ。 提案したトレーニングモデルを適用することで、UAV-BSに対する効果的なリアルタイム軌道ポリシーは、時間とともに観測可能なネットワーク状態をキャプチャする。
  論文  参考訳（メタデータ） (2020-02-21T07:29:15Z)

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。