Computer Vision Techniques for the Automated Collection of Cyclist Data
Notice bibliographique
Résumé
One of the main challenges in the conduct of detailed analysis of cyclist behavior is the lack of reliable data. Collection of data through manual methods is a labor-intensive and time-consuming process. Two of the important areas of cyclist data collection are volume counts and average speed measurements. A volume count provides the basis for necessary exposure measures and conveys essential information about traffic patterns. Cyclist speed data are used for traffic control and safety studies. The application of computer vision (CV) techniques enables the collection of precise spatial and temporal measurements of road users in a resource-efficient way. This paper presents the use of a set of CV techniques for the automated collection of cyclist data. Cyclist tracks obtained from video analysis were used to perform screen line counts as well as cyclist speed measurements. The applications were demonstrated with the use of a real-world data set from a roundabout in Vancouver, British Columbia, Canada. Further analysis was conducted on the mean speed of cyclists with regard to several factors (e.g., travel path, helmet use, group size). The motivation for this research was to understand better cyclist behavior and how it varied under different conditions. Several conclusions could be drawn from the analysis of cyclist speed behavior. Group size, travel path, lane position, and helmet use were all found to affect the cyclist mean speed. Single cyclists had a slightly, but significantly, higher mean cycling speed than did group cyclists. The mean cycling speed was highest for those cyclists who used the road rather than the sidewalk. The mean cycling speed decreased for cyclists without helmets.
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.
Comment cette classification a été obtenuedéplier
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».