Automated Collection of Pedestrian Data through Computer Vision Techniques
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
New urban planning concepts are being redefined to emphasize walkability (a measure of how walker-friendly an area is) and to accommodate the pedestrian as a key road user. However, the availability of reliable information on pedestrian traffic remains a major challenge and inhibits a better understanding of many pedestrian issues. Therefore, the importance of developing new techniques for the collection of pedestrian data cannot be overstated. This paper describes the use of computer vision techniques for the automated collection of pedestrian data through several applications, including measurement of pedestrian counts, tracking, and walking speeds. An efficient pedestrian-tracking algorithm, the MMTrack, was used. The algorithm employed a large-margin learning criterion to combine different sources of information effectively. The applications were demonstrated with a real-world data set from Vancouver, British Columbia, Canada. The data set included 1,135 pedestrian tracks. Manual counts and tracking were performed to validate the results of the automated data collection. The results show a 5% average error in counting, which is considered reliable. The results of walking speed validation showed excellent agreement between manual and automated walking speed values (root mean square error = 0.0416 m/s, R 2 = .9269). Further analysis was conducted on the mean walking speed of pedestrians as it related to several factors. Gender, age, and the group size were found to influence the pedestrian mean walking speed significantly. The results demonstrate that computer vision techniques have the potential to collect microscopic data on road users at a degree of automation and accuracy that cannot be feasibly achieved by manual or semiautomated techniques.
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 | 0,013 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,003 | 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