論文の概要: Vehicle speed dataset for the major European road network derived from Sentinel-2 imagery, 2022-2026
- arxiv url: http://arxiv.org/abs/2608.22116v1
- Date: Sat, 22 Aug 2026 21:59:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.946881
- Title: Vehicle speed dataset for the major European road network derived from Sentinel-2 imagery, 2022-2026
- Title（参考訳）: センチネル2画像から得られたヨーロッパ主要道路網の車両速度データセット,2022-2026
- Abstract要約: このデータセットは、2022-2026年の間、OpenStreetMapにタグ付けされた欧州のE道路に関する個々の車両速度の観察を提供する。
速度は、処理パイプラインを用いたCopernicus Sentinel-2 Level-2A衛星光学画像から導かれる。
データセットはGeoPackageファイルとして配布され、検出された車両毎に1つのレコードを持ち、トラフィックパターン、速度挙動、トランスポートモデリング、および大陸規模の道路ネットワーク属性のキャリブレーションの研究を支援することができる。
- 参考スコア（独自算出の注目度）: 39.381642096565834
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The dataset provides individual vehicle speed observations on European E-roads: motorways, trunk roads, primary and secondary roads, as tagged in OpenStreetMap as e-road, for the years 2022-2026. Speeds are derived from Copernicus Sentinel-2 Level-2A satellite optical imagery using a processing pipeline that exploits the short, well-characterized acquisition delays between the blue (B02_10m), green (B03_10m), and red bands (B04_10m) of the Sentinel-2 push-broom instrument. A moving vehicle appears at slightly displaced positions in the three bands, forming a moving echo. The detected displaced intensity peaks are linked into per-vehicle trajectories through a prediction-and-matching procedure. The resulting displacements are converted into ground speeds using publicly accessible inter-band time delays. Each record contains the trajectory geometry, per-channel displacements and headings, internal quality indicators, the estimated speed, the acquisition timestamp, and the source Sentinel-2 product identifier. The dataset is distributed as GeoPackage files, with one record per detected vehicle, and can support studies of traffic patterns, speed behavior, transport modeling, and the calibration of road network attributes at a continental scale.
- Abstract（参考訳）: このデータセットは、2022-2026年の間、OpenStreetMapにEロードとしてタグ付けされた、自動車、幹線道路、一次道路、二次道路など、ヨーロッパのEロードに関する個々の車両の速度観測を提供する。
速度はCopernicus Sentinel-2 Level-2A衛星光学画像から導かれ、この処理パイプラインは、ブルー(B02_10m)、グリーン(B03_10m)、レッドバンド(B04_10m)の間の短い特性の取得遅延を利用する。
動く車両は3つのバンドの中でわずかに変位した位置に現れ、動くエコーを形成する。
検出された変位強度ピークは、予測整合手順により車種ごとの軌跡にリンクされる。
結果として生じる変位は、一般にアクセス可能なバンド間時間遅延を用いて地上速度に変換される。
各レコードには、軌道幾何学、チャネルごとの変位と方向、内部品質指標、推定速度、取得タイムスタンプ、およびソースSentinel-2製品識別子が含まれている。
データセットはGeoPackageファイルとして配布され、検出された車両毎に1つのレコードを持ち、トラフィックパターン、速度挙動、トランスポートモデリング、および大陸規模の道路ネットワーク属性のキャリブレーションの研究を支援することができる。
関連論文リスト
- Intelligent Truck Matching in Full Truckload Shipments using Ping2Hex approach [0.13854111346209866]
欠落または破損した車両識別子は、従来の整合性アプローチを防ぎ、視認性のない出荷を継続する。
本稿では,確率的ランキング問題としてマッチングを定式化する機械学習システムであるIntelligent Truck Matching (ITM) 2.0を提案する。
ITM 2.0は北米では26ポイント、ヨーロッパでは14ポイントの精度向上を実現し、カバー範囲は倍増した。
論文 参考訳（メタデータ） (2026-05-08T13:40:53Z) - The Swarm Intelligence Freeway-Urban Trajectories (SWIFTraj) Dataset - Part II: A Graph-Based Approach for Trajectory Connection [19.272192892376328]
本稿では,UAVスワムによって捕捉された車両軌跡を連結するグラフに基づく新しい手法を提案する。
フレキシブルなUAVレイアウトを表すために、非指向グラフを構築し、最適な時間オフセットを推定する自動時間アライメント法を開発した。
実世界の実験の結果、時間アライメント誤差は3フレーム以内であり、約0.1秒であることがわかった。
論文 参考訳（メタデータ） (2026-02-25T14:35:24Z) - 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) - Deep Learning Enhanced Road Traffic Analysis: Scalable Vehicle Detection and Velocity Estimation Using PlanetScope Imagery [38.22365259129059]
本稿では,PlanetScope SuperDove衛星画像を用いて車両の速度を推定する手法を提案する。
本稿では,RGB帯における車両軌跡追跡のためのキーポイントR-CNNモデルを提案する。
ドローン比較の結果、衛星データの平均速度は112.85km/h、ドローン映像の平均速度は131.83km/hと過小評価されている。
論文 参考訳（メタデータ） (2024-10-04T18:14:07Z) - Vehicle Perception from Satellite [54.07157185000604]
データセットは、GTA-Vから記録された12の衛星ビデオと14の合成ビデオに基づいて構築されている。
小さなオブジェクトの検出、カウント、密度推定など、いくつかのタスクをサポートする。
128,801両は完全に注釈付けされており、各画像の車両数は0から101まで様々である。
論文 参考訳（メタデータ） (2024-02-01T15:59:16Z) - MSight: An Edge-Cloud Infrastructure-based Perception System for
Connected Automated Vehicles [58.461077944514564]
本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。
MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。
評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
論文 参考訳（メタデータ） (2023-10-08T21:32:30Z) - OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。
OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。
様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
論文 参考訳（メタデータ） (2023-04-20T16:31:22Z) - 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) - A Framework for Real-time Traffic Trajectory Tracking, Speed Estimation,
and Driver Behavior Calibration at Urban Intersections Using Virtual Traffic
Lanes [5.735035463793008]
本稿では,VT-Laneを用いて得られた高精度な軌跡と移動分類を取り入れたケーススタディを提案する。
我々は、高度に計測された車両を用いて、ビデオ推論から得られた推定速度を検証する。
次に、推定速度を用いて、研究領域における車両の運転行動モデルのパラメータを校正する。
論文 参考訳（メタデータ） (2021-06-18T06:15:53Z)
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。