論文の概要: Real-Time Traffic Density Estimation: A Hybrid Computer Vision and Predictive Machine Learning Pipeline

• arxiv url: http://arxiv.org/abs/2610.14326v1
• Date: Fri, 09 Oct 2026 21:07:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:10:53.60904
• Title: Real-Time Traffic Density Estimation: A Hybrid Computer Vision and Predictive Machine Learning Pipeline
• Title（参考訳）: リアルタイムトラフィック密度推定:ハイブリッドコンピュータビジョンと予測機械学習パイプライン
• Abstract要約: 本稿では,車両検出と追跡を空間論理層と組み合わせた2段階パイプラインと時間的推定器を提案する。 単一のNVIDIA GPUを用いて,5,716個の注釈付きフレームのデータセット上で,6つのファミリーから10種類の検出器をベンチマークした。 29,243窓の時間的評価では, GRUは0.858, LSTMは0.856, TCNは0.840となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic density estimation from camera feeds requires connecting visual perception with short-horizon forecasting. We present a two-stage pipeline that combines vehicle detection and tracking with a spatial logic layer, followed by a temporal estimator. The spatial layer filters bounding boxes by their overlap with a precomputed road mask and extracts per-frame traffic features. LSTM, GRU, and Temporal Convolutional Network (TCN) estimators use these features to predict five future steps from a ten-frame input window. We benchmark ten detector variants from six families on a dataset of 5,716 annotated frames using a single NVIDIA GPU. YOLOv5l achieves the highest mAP@50:95 of 0.524 at 56 frames per second, while YOLOv8n reaches 258 frames per second at 0.487 mAP@50:95; these rates measure detector inference without tracking or spatial filtering. Temporal evaluation on 29,243 held-out windows yields aggregate R-squared values of 0.858 for GRU, 0.856 for LSTM, and 0.840 for TCN. These metrics measure forecasts of detector-derived telemetry and are dominated by direction variance, rather than establishing absolute traffic-density accuracy. No road mask was available for the evaluation stream, limiting validation of the spatial filtering component. A live run on a third camera stream examines forecasting behavior within the complete pipeline. The results characterize detector speed-accuracy trade-offs and the limitations of short-window traffic telemetry forecasting.
• Abstract（参考訳）: カメラフィードからの交通密度推定には、短期水平予測と視覚知覚を結びつける必要がある。 本稿では,車両検出と追跡を空間論理層と組み合わせた2段階パイプラインと時間的推定器を提案する。 空間層フィルタは、予め計算された道路マスクとの重なり合いによってボックスの境界をフィルタリングし、フレーム単位のトラフィック特徴を抽出する。 LSTM、GRU、Temporal Convolutional Network(TCN)推定器は、これらの機能を使用して、10フレームの入力ウィンドウから5つの将来のステップを予測する。 単一のNVIDIA GPUを用いて,5,716個の注釈付きフレームのデータセット上で,6つのファミリーから10種類の検出器をベンチマークした。 YOLOv5lは秒速56フレームで0.524の最高mAP@50:95を達成し、YOLOv8nは秒速0.487mAP@50:95で258フレームに達する。 29,243窓の時間的評価では, GRUは0.858, LSTMは0.856, TCNは0.840となる。 これらの測定基準は、検出器由来のテレメトリの予測を計測し、絶対的な交通密度の精度を確立するのではなく、方向のばらつきによって支配される。 評価ストリームには道路マスクが使用できず,空間フィルタ成分の検証が制限された。 第3のカメラストリーム上のライブ実行は、完全なパイプライン内の予測動作を調べます。 その結果, 検出器の速度精度トレードオフと短ウィンドウ交通テレメトリ予測の限界が特徴づけられた。

関連論文リスト

• GTR: Gated Token Recurrence for Efficient Dense Prediction [23.995331168843748]
  GTR(Gated Token Recurrence)は、ソフトマックスフリーのリカレントビジョンバックボーンである。 GTRは、ゲート線形アテンション、スキャン方向の交互化、空間的に拡張されたSwiGLUブロックを組み合わせる。
  論文  参考訳（メタデータ） (2026-09-22T15:34:20Z)
• Towards Practical Precision Agriculture: Real-Time Fruit Detection and Video Analytics on Embedded Edge Hardware [0.815557531820863]
  本研究では,NVIDIA Jetson Orin Super上で実時間果物の検出,追跡,計数を行うためのエンドツーエンドフレームワークを提案する。 軽量のYOLO26s検出器は、リンゴ、マンゴー、ブルーベリー、イチゴを表す4つの公開データセットで独立に訓練されている。 APPLE MOTSは、果肉の恒常性を持った果樹配列を提供するため、時間的ビデオ解析に使用される。
  論文  参考訳（メタデータ） (2026-09-11T21:32:02Z)
• Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
  イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。 本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。 公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
  論文  参考訳（メタデータ） (2026-08-25T08:27:42Z)
• EventShiftFlow: Towards Hardware-efficient FPGA-based Flow Estimation [43.77587889970362]
  イベントベースの視覚センサは、非同期で高時間分解能の測定を提供する。 多くの事象に基づく動き推定法は計算集約的であり、FPGAハードウェアにマップすることは困難である。 本稿では,非同期イベントを固定時間ビンに離散化し,1ビット空間占有格子を構築し,複数の速度仮説を並列に評価するストリーミング速度推定器を提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:13:58Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Learning Traffic Anomalies from Generative Models on Real-Time Observations [49.1574468325115]
  トラフィックデータの複雑な空間的および時間的依存関係をキャプチャするために,時空間生成適応ネットワーク(STGAN)フレームワークを用いる。 スウェーデンのヨーテボリで2020年に収集された42台の交通カメラから、STGANをリアルタイムで分単位でリアルタイムで観測する。 その結果, 精度が高く, 偽陽性率の低い交通異常を効果的に検出できることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T14:23:23Z)
• DEEGITS: Deep Learning based Framework for Measuring Heterogenous Traffic State in Challenging Traffic Scenarios [0.0]
  本稿では,DeEGITS(Deep Heterogeneous Traffic State Measurement)を提案する。これは最先端の畳み込みニューラルネットワーク(CNN)技術を利用して,車両や歩行者を正確にかつ迅速に検出する包括的フレームワークである。 本研究では,データ融合によるトレーニングデータセットを強化し,車両と歩行者の同時検出を可能にする。 このフレームワークは混合交通条件における異種交通状態を測定するために試験される。
  論文  参考訳（メタデータ） (2024-11-13T04:49:32Z)
• 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)
• Faster object tracking pipeline for real time tracking [0.0]
  マルチオブジェクトトラッキング(MOT)は、視覚ベースのアプリケーションにとって難しい実践的問題である。 本稿では,検出に基づく物体追跡手法の高速化に有効な汎用パイプラインについて紹介する。
  論文  参考訳（メタデータ） (2020-11-08T06:33:48Z)

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。