Vision‐based traffic accident detection using sparse spatio‐temporal features and weighted extreme learning machine
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
Vision‐based traffic accident detection is one of the challenging tasks in intelligent transportation systems due to the multi‐modalities of traffic accidents. The first challenging issue is about how to learn robust and discriminative spatio‐temporal feature representations. Since few training samples of traffic accidents can be collected, sparse coding techniques can be used for small data case. However, most sparse coding algorithms which use norm regularisation may not achieve enough sparsity. The second challenging issue is about the sample imbalance between traffic accidents and normal traffic such that detector would like to favour normal traffic. This study proposes a traffic accident detection method, including a self‐tuning iterative hard thresholding (ST‐IHT) algorithm for learning sparse spatio‐temporal features and a weighted extreme learning machine (W‐ELM) for detection. The ST‐IHT algorithm can improve the sparsity of encoded features by solving an norm regularisation. The W‐ELM can put more focus on traffic accident samples. Meanwhile, a two‐point search strategy is proposed to adaptively find a candidate value of Lipschitz coefficients to improve the tuning precision. Experimental results in our collected dataset have shown that this proposed traffic accident detection algorithm outperforms other state‐of‐the‐art methods in terms of the feature's sparsity and detection performance.
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