Intelligent Infrastructure for Enhancing Vulnerable Road User Safety using Machine Vision Technologies
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
Abstract Vulnerable road users (VRUs), such as pedestrians and bicyclists, face a higher risk of severe injuries and fatalities in road collisions, with intersections being particularly hazardous. Enhancing VRU safety at intersections is therefore critical for a safer transportation system. This study introduces a proof-of-concept system capable of detecting VRUs at intersections leveraging image data from vision sensors mounted on roadside infrastructure (e.g., traffic poles). The approach includes the development of a unique VRU detection dataset, comprising labeled images of various VRU types – adults, children, and bicyclists – captured under a range of illumination and weather conditions at real-world public intersections. This dataset addresses a notable gap in VRU detection research, as few datasets offer such environmental diversity from a roadside infrastructure perspective. The dataset was leveraged to train state-of-the-art deep learning models optimized for VRU detection. The models were evaluated using data from both public intersections and a controlled test facility, with particular focus on performance under challenging conditions such as snow and low nighttime visibility. Real-time performance benchmarking of the models was assessed, highlighting their effectiveness in dynamic environments. The results demonstrated that the best model achieved a mean average precision (mAP) of 82% in VRU detection while processing full-HD (1920 $$\times $$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mo>×</mml:mo> </mml:math> 1080) frames in real time at 75 ms. Additionally, major challenges in VRU detection at intersections were identified, and recommendations for future research directions were provided.
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 | 0,002 | 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 | 0,000 | 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