論文の概要: Data collection from highways: a geometric, class-agnostic approach to embedded vehicle counting

• arxiv url: http://arxiv.org/abs/2608.07643v1
• Date: Fri, 07 Aug 2026 16:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.470013
• Title: Data collection from highways: a geometric, class-agnostic approach to embedded vehicle counting
• Title（参考訳）: 高速道路からのデータ収集 : 組込み車両計数への幾何学的・クラス非依存的アプローチ
• Abstract要約: 我々は、検出がクラスに依存しないシングルボードコンピュータのための、純粋に幾何学的なトラフィックセンシングパイプラインを再考する。 オブジェクトモデルやトレーニングセット、オブジェクト単位のトラジェクトリがなければ、Raspberry Piクラスのハードウェア上では、リアルタイムよりも高速に動作します。 4本以上のビデオは83.3%-100%の精度で、野戦配備ではブロブ追跡ベースラインで91%、37.5%に達する。
• 参考スコア（独自算出の注目度）: 39.36424353588699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic data collection is dominated today by deep object detectors followed by tracking-by-detection, a pipeline that presupposes what is often missing in practice: a detector already trained on the class one wants to count. We revisit a purely geometric traffic-sensing pipeline for Single Board Computers in which detection is class-agnostic: moving objects come from background subtraction and thresholding, and counting is decided by a geometric rule on an imaginary line across the road, a software inductive loop detector. With no object model, training set or per-object trajectory, it runs faster than real time on Raspberry Pi class hardware. Two counting rules are described: a constant average speed rule, whose expected accuracy is derived analytically as about 86% under a Gaussian speed distribution, and a self-calibrating pre-calibration rule that recovers the lane geometry from blob statistics and counts edges of lane occupancy, additionally yielding per-vehicle average speed at no extra cost. Over four videos the latter counts with 83.3%-100% accuracy; in a field deployment it reaches 91% against 37.5% for a blob-tracking baseline under the same compute budget. We report the observations of that period in detail: the resolution floor below which accuracy collapses, the frame rate floor at which vehicles alias past the counting line, the gap between short curated clips and long uncontrolled footage, and the trade-off between Python (easier to tune, 100% CPU) and C++ (40% CPU, thermally viable). These are properties of the sampling geometry, not of the hardware of the time, and still constrain edge deployments. We close by arguing where motion-based, class-agnostic detection remains the right tool: open-set classes with no annotated data, tight power budgets, privacy-constrained installations, and the cold start of mining training crops to bootstrap a learned detector.
• Abstract（参考訳）: 現在、交通データ収集はディープ・オブジェクト・ディテクター(ディープ・オブジェクト・ディテクター)に支配されており、次に追跡・バイ・ディテクト(トラッキング・バイ・ディテクト)が続く。 移動物体は背景のサブトラクションやしきい値から来るもので,道路を横断する想像線上の幾何学的規則,ソフトウェア誘導ループ検出器によってカウントされる。 オブジェクトモデルやトレーニングセット、オブジェクト単位のトラジェクトリがなければ、Raspberry Piクラスのハードウェア上では、リアルタイムよりも高速に動作します。 予測精度をガウス速度分布の約86%として解析的に導出する定平均速度規則と、ブロブ統計からレーン幾何学を復元し、レーン占有のエッジをカウントする自己校正事前校正規則と、さらに車種ごとの平均速度を余分なコストで獲得する。 4本以上のビデオは83.3%-100%の精度でカウントされ、同じ計算予算でブロブ追跡ベースラインで91%、37.5%に達する。 精度が低下する分解能フロア、車両がカウントラインを通り抜けるフレームレートフロア、短いキュレートされたクリップと長く制御されていない映像のギャップ、Python(チューニングしやすく、100%CPU)とC++(40%CPU、熱的に有効)のトレードオフなどについて詳細に報告する。 これらはサンプリング幾何学の特性であり、当時のハードウェアではない。 アノテーションのないオープンセットのクラス、厳格な電力予算、プライバシーに制約のあるインストール、そして学習した検出器をブートストラップする訓練作物の冷戦開始などです。

関連論文リスト

• Think as Needed: Geometry-Driven Adaptive Perception for Autonomous Driving [4.320171553006484]
  現在の3D検出モデルは、すべてのフレームに固定された計算予算を適用し、単純なシーンでリソースを浪費すると同時に、複雑なシーンのキャパシティを欠いている。 本稿では,各LiDARフレームの幾何学的複雑さを測定する適応型知覚アーキテクチャである拡張HOPEを提案する。 nuScenesとCARLAのベンチマークでは、強化HOPEは、正確さを損なわずに単純なシーンでのレイテンシを38%削減し、稀なロングテールシナリオでは平均平均精度を2.7ポイント改善している。
  論文  参考訳（メタデータ） (2026-05-11T07:34:13Z)
• DELTAv2: Accelerating Dense 3D Tracking [79.63990337419514]
  本稿では,ビデオ中の高密度3次元点追跡を高速化するための新しいアルゴリズムを提案する。 極小点の小さな部分集合で追跡を開始し、トラックされた軌道の集合を段階的に拡大する粗大な戦略を導入する。 新たに追加されたトラジェクトリは学習可能なモジュールを使用しており、トラッキングネットワークとともにエンドツーエンドでトレーニングされている。
  論文  参考訳（メタデータ） (2025-08-02T03:15:47Z)
• Detection Is Tracking: Point Cloud Multi-Sweep Deep Learning Models Revisited [0.0]
  自律運転では、ライダー測定は通常、ディープラーニングモデルによって実現された「仮想センサー」を介して行われる。 本稿では,このような入力には時間的情報が含まれており,仮想センサの出力には時間的情報も含むべきであると論じる。 本稿では,MULti-Sweep PAired Detector (MULSPAD)と呼ばれる深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-24T08:07:48Z)
• 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)
• Driver Maneuver Detection and Analysis using Time Series Segmentation and Classification [7.413735713939367]
  本稿では,自然主義運転環境下での車両遠隔計測データから車両の操作を自動的に検出する手法を実装した。 本研究の目的は、自然主義駆動学習ビデオのフレーム・バイ・フレームアノテーションのためのエンドツーエンドパイプラインを開発することである。
  論文  参考訳（メタデータ） (2022-11-10T03:38:50Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Real Time Monocular Vehicle Velocity Estimation using Synthetic Data [78.85123603488664]
  移動車に搭載されたカメラから車両の速度を推定する問題を考察する。 そこで本研究では,まずオフ・ザ・シェルフ・トラッカーを用いて車両バウンディングボックスを抽出し,その後,小型ニューラルネットワークを用いて車両速度を回帰する2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-09-16T13:10:27Z)
• CurbScan: Curb Detection and Tracking Using Multi-Sensor Fusion [0.8722958995761769]
  カーブ検出と追跡は、車両のローカライゼーションと経路計画に有用である。 本稿では,複数のセンサからデータを融合して縁石を検出・追跡する手法を提案する。 提案アルゴリズムは,KITTIデータセットとデータセットでそれぞれ4.5～22m,0～14m以内の精度を90%以上維持する。
  論文  参考訳（メタデータ） (2020-10-09T22:48:20Z)
• Detection of 3D Bounding Boxes of Vehicles Using Perspective Transformation for Accurate Speed Measurement [3.8073142980733]
  交通監視カメラで捉えた車両の3次元境界ボックス検出のためのアルゴリズムの改良版を提案する。 我々のアルゴリズムは、探索されたシーンの点の既知の幾何を利用して視点変換を構築する。 他の最先端の完全自動結果と比較して、我々のアルゴリズムは平均絶対速度測定誤差を32%(1.10 km/hから0.75 km/h)、絶対中央値誤差を40%(0.97 km/hから0.58 km/h)削減する。
  論文  参考訳（メタデータ） (2020-03-29T21:01:25Z)
• 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)
• Key Points Estimation and Point Instance Segmentation Approach for Lane Detection [65.37887088194022]
  本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
  論文  参考訳（メタデータ） (2020-02-16T15:51:30Z)

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。