Automated Analysis of Pedestrian Group Behavior in Urban Settings
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
Movement trajectory of pedestrians, when tracked from video data, enables the automated analysis of individual's walking behavior. For example, speed preferences and walking strategies are typical behavior characteristics that benefit from this analysis. When pedestrians are walking in a group, they tend to adjust their speed and direction accordingly, while maintaining interpersonal distances. The adopted walking strategy leads to a coupling in their movement behavior. Such commonality, if considered, permits the discrimination between pedestrian groups and the distinction of pedestrians in different groups. Those are important factors when tracking a group of pedestrians or counting pedestrians in the crowd. The objective of this paper is localizing pedestrians in small groups using automated computer vision tracking. This paper describes the following tasks. First, to identify possible commonality in walking behavior between nearby pedestrians. This step is realized by proposing a new structural similarity measure of pedestrians' movement. Second, to provide a method for counting pedestrians in groups. A classification procedure accomplishes this task based on spatio-temporal criteria and the introduced movement similarity measure. Third, to show the feasibility of the method on a pedestrian group study from video data collected at a moderately dense pedestrian crosswalk in Vancouver, British Columbia. A validation of the group size classification demonstrated an accuracy of up to 77%. This paper enables a faster stream for comprehensive pedestrian data collection. Also, the new measure for group behavior can be useful when studying the mechanism of group formation and collision avoidance.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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