Aug, 2024

多层次交通响应倾斜摄像头监控通过预测相关在线学习

HTML
PDF
TL;DR本研究解决了城市交通管理中监控交通状况的效率问题，提出了一种新的多层次交通响应倾斜摄像头监控系统（TTC-X），通过智能化的可调摄像头实现360度动态覆盖。研究表明，TTC-X在网络层面成功捕获超过60%的车辆，并能够快速应对意外事件，实现了最佳的交通状态重建，显示出其在城市交通管理中的良好适应性和可扩展性。
发现论文，激发创造
  • CityFlow：针对多目标多摄像头车辆跟踪和再识别的城市规模基准测试

    本文介绍了CityFlow数据集，它是一个城市级交通相机数据集，包括来自40个摄像头的3个多小时的高清视频，涵盖10个路口，最大距离为2.5公里，共包含超过200K个标注边界框。这个数据集为MTMC跟踪，MTSC跟踪，物体检测和基于图像的车辆再识别等领域提供了前所未有的较大规模的数据支持，以促进该领域的研究。

    Mar, 2019

  • DynSTGAT：动态时空图注意力网络用于交通信号控制

    本论文提出了一种名为DynSTGAT的神经网络框架，该框架结合了动态历史状态和新的时空图注意力网络，旨在解决现有方法未充分利用空间 - 时间关联性的问题，提高交通信号控制的性能。

    Sep, 2021

  • Traffic-Net: 使用单个摄像头进行3D交通监控

    本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆/行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

    Sep, 2021

  • 交通预测的时空交互动态图卷积网络

    提出了一种STIDGCN神经网络的拓扑交互动态图卷积模型，可以有效地进行交通预测，具有更好的性能。

    May, 2022

  • 基于时空注意力融合的动态图卷积网络用于交通流量预测

    本文提出了一种新颖的动态图卷积神经网络，采用时空关注融合的方法，全面地模拟了长距离和多尺度的时空模式，取得了22种基线模型之外的最先进表现。

    Feb, 2023

  • 适应性分层时空网络用于交通预测

    该研究提出了一种自适应分层时空网络 (AHSTN) 以利用空间层次结构和建模多尺度空间关联来促进交通预测。

    Jun, 2023

  • 基于视觉的交通信号控制及微观仿真的整体框架

    该研究探讨了基于计算机视觉的交通信号控制方法，通过视觉观测调节道路上的交通流量，引入了名为TrafficDojo的综合交通模拟框架，通过将SUMO提供的微观交通流量集成到驾驶模拟器MetaDrive中进行基线算法的比较和综合评估，为设计和发展基于视觉的交通信号控制方法打开了新的研究机会。

    Mar, 2024

  • Tel2Veh: 融合电信数据和车辆流量的时空框架用于预测无需摄像头的交通

    使用移动通信流量数据预测车辆流量，通过提取特征并将其与图神经网络结合，使得在没有摄像头的区域能够预测车辆流量，为交通管理提供了解决方案。

    Mar, 2024

  • 最佳感兴趣区域下的实时车道交通监控

    这篇论文介绍了一种新型系统，可以自动从高速公路摄像头视频中学习车道位置和交通方向，收集实时、针对车道的交通数据，以实现高效的交通分析和决策，提高高速公路安全性。

    Mar, 2024

  • SynTraC：一种基于合成数据的交通信号控制数据集

    本文介绍了SynTraC，这是第一个公开的基于图像的交通信号控制数据集，旨在弥合模拟环境与现实交通管理挑战之间的差距。该数据集提供了来自CARLA模拟器的真实风格图像，配有注释特征及交通信号状态，展示了多样的现实场景和不同的奖励值，对增强的交通信号控制算法如强化学习具有潜在影响。

    Aug, 2024