Automated Analysis of Pedestrian–Vehicle Conflicts Using Video Data
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
Pedestrians are vulnerable road users, and despite their limited representation in traffic events, pedestrian-involved injuries and fatalities are overrepresented in traffic collisions. However, little is known about pedestrian exposure to the risk of collision, especially when compared with the amount of knowledge available for motorized traffic. More data and analysis are therefore required to understand the processes that involve pedestrians in collisions. Collision statistics alone are inadequate for the study of pedestrian–vehicle collisions because of data quantity and quality issues. Surrogate safety measures, as provided by the collection and study of traffic conflicts, were developed as a proactive complementary approach to offer more in-depth safety analysis. However, high costs and reliability issues have inhibited the extensive application of traffic conflict analysis. An automated video analysis system is presented that can (a) detect and track road users in a traffic scene and classify them as pedestrians or motorized road users, (b) identify important events that may lead to collisions, and (c) calculate several severity conflict indicators. The system seeks to classify important events and conflicts automatically but can also be used to summarize large amounts of data that can be further reviewed by safety experts. The functionality of the system is demonstrated on a video data set collected over 2 days at an intersection in downtown Vancouver, British Columbia, Canada. Four conflict indicators are automatically computed for all pedestrian–vehicle events and provide detailed insight into the conflict process. Simple detection rules on the indicators are tested to classify traffic events. This study is unique in its attempt to extract conflict indicators from video sequences in a fully automated way.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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