Traffic Danger Recognition With Surveillance Cameras Without Training Data
원문 초록
We propose a traffic danger recognition model that works with arbitrary traffic surveillance cameras to identify and predict car crashes. There are too many cameras to monitor manually. Therefore, we developed a model to predict and identify car crashes from surveillance cameras based on a 3D reconstruction of the road plane and prediction of trajectories. For normal traffic, it supports real-time proactive safety checks of speeds and distances between vehicles to provide insights about possible high-risk areas. We achieve good prediction and recognition of car crashes without using any labeled training data of crashes. Experiments on the BrnoCompSpeed dataset show that our model can accurately monitor the road, with mean errors of 1.80% for distance measurement, 2.77 km/h for speed measurement, 0.24 m for car position prediction, and 2.53 km/h for speed prediction.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Trans-Unet을 활용한 뇌 주름 형태 예측을 위한 고충실도 3D 포인트 클라우드 학습
Toward High-Fidelity 3D Point-Cloud Learning for Brain Folding Morphology Prediction Using Trans-Unet
3D 공간에서 고충실도 포인트 클라우드 특징을 학습하는 것은 순열 불변성, 국소 컨텍스트 부족, 세밀한 표면 재구성의 어려움, 높은 계산 비용 등 상당한 과제를 수반한다. 본 논문에서는 이러한 문제를 해결하기 위해, 먼저 3D 포인트 클라우드 데이터를 2D 그리드 영역으로 변환한 다음, 합성곱 신경망(CNN)과 셀프 어텐션(self-attention) 메커니즘을 통합한 U자형 하이브리드 모델을 사용하는 새로운 프레임워크인 Trans-Unet을 제안한다. 제안된 Trans-Unet은 사전 정의된 유한 요소법 뇌 패치 성장 모델에서 도출된 고해상도 3D 포인트 클라우드 데이터(표면 40,401개 포인트, 섬유 2,382개 포인트)로부터 정밀한 특징을 효과적으로 학습하고 재구성하여, 뇌 주름 패턴을 정확하게 예측할 수 있다. 여러 기법을 결합함으로써 Trans-Unet은 상호 보완적인 강점을 활용한다. 3D-2D 변환은 세밀한 구조 정보를 보존하면서 계산 비용과 차원의 저주를 크게 줄이고, 합성곱 블록은 계층적·저수준 국소 표현을 포착하며, 셀프 어텐션 메커니즘은 전역적·고수준 의미와 장거리 의존성을 모델링한다. 데이터셋은 대규모 유한 요소 모델로 생성된 뇌 표면 패치와 섬유 정보를 모두 포함하는 3D 포인트 클라우드로 구성된다. Trans-Unet은 초기 상태(state 0 또는 states 0-2)에서 최종 상태(state 3)까지의 뇌 표면 주름을 예측하는 데 적용된다. 실험 결과, Trans-Unet은 뇌 패치 성장에 대한 고해상도 예측을 달성하며, 충실도와 정확도 모두에서 기존 방법을 능가함을 보여준다.
Open-World Social Event Classification
EasySpider: A No-Code Visual System for Crawling the Web
RIGOR: 전방향 재구성을 위한 리그 정보 기반 기하학
RIGOR: Rig-Informed Geometry for Omnidirectional Reconstruction
피드포워드(feed-forward) 3D 재구성 분야의 최근 발전으로 이미지 스트림만으로 조밀한(dense) 장면 표현과 카메라 움직임을 복원할 수 있는 모델들이 등장했습니다. 그러나 이러한 예측은 긴 궤적에서, 특히 반복적인 구조, 약한 텍스처, 동적 물체나 사람이 존재하는 까다로운 환경에서 일관성을 잃기 쉽습니다. 이러한 문제를 완화하는 한 가지 방법은 넓은 공간적 커버리지를 제공하고 더 풍부한 시각적 정보를 포착하는 전방향(omnidirectional) 카메라를 사용하는 것입니다. 하지만 대다수의 모델은 360도 영상을 지원하지 않거나 추가적인 미세조정(fine-tuning)을 필요로 합니다. 이러한 두 가지 측면을 연결하기 위해, 본 연구에서는 동결된 피드포워드 원근 백본(backbone)을 유지하면서 각 파노라마를 4-뷰 가상 리그(virtual rig)로 활용하는 중력 정렬 전방향 비디오용 대규모 재구성 파이프라인인 RIGOR를 제시합니다. 이 리그 구조는 국소적으로 불일치하는 예측을 감지 및 복구하고, 순환적 4-뷰 합의(consensus)를 통해 루프 클로저(loop closure)를 검색하며, 전역 최적화(global optimization) 전에 재방문 후보를 기하학적으로 검증하는 데 사용됩니다. 검증된 제약 조건은 시퀀스를 따라 누적된 회전, 이동 및 스케일 드리프트를 수정하는 Sim(3) 포즈 그래프를 구동합니다. 본 연구는 까다로운 건설 현장 시퀀스에서 제안된 일관성 메커니즘이 피드포워드 기준선(baseline) 대비 궤적 정확도와 재구성된 기하학 모두를 향상시킴을 입증합니다. 코드는 다음 링크에서 제공됩니다: https://github.com/TangentH/RIGOR.
고�급 거리 수준 영상을 활용한 시각적 위치 추정의 정확도 잠재력
Accuracy potential of visual localization exploiting high-end street-level imagery
A Design-Intent-Preserving Agent Harness for Parametric CAD Modeling
토론
이 논문과 연결된 포럼 글이 아직 없습니다.