Ensuring the Accuracy of Traffic Monitoring Using Unmanned Aerial Vehicles Vision Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The paper is dedicated to the organization of traffic monitoring using unmanned aerial vehicles (UAV). It is demonstrated that the monitoring of traffic makes high demands on the accuracy of determining the position of the vehicle on the road. It is assumed that the purpose of monitoring is detecting specific situations, which may include accident, in particular, car collision; traffic accidents, reducing the bandwidth of the road section; movement of the vehicle, being a threat to other road users. Detection of such situations requires assessment of the following at the received images: Vehicles position relatively to the road markings;Vehicles position relatively to each other;Vehicles speed. Review of the literature showed that the existing tools for tracking ground objects movements provide sufficiently accurate assessment of the vehicles coordinates at the images. Thus, an important issue is the estimation of vehicle position with respect to the road, i.e. in the ground coordinate system of the road. Different options of the vehicle position assessment relatively the road are researched. Evaluation of the content and accuracy of the standard UAV navigation system showed that the option of monitoring based on the use of UAV position assessment relative to the ground coordinate system and the vehicles is non-implementable because of lack of precision at the standard navigation system, including, corrected using the satellite navigation system. Assessing the position of the vehicle relative to the roadside is proposed to be made using image processing algorithms, particularly the contour lines highlighting and the Hough algorithm for straight segments highlighting. The research shows that this option based on direct assessment of the situation with respect to the vehicle position on the road image is physically implementable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle