Computer Vision for a Camel-Vehicle Collision Mitigation System

要約

人口が増加し、都市化に使用される土地が増えるにつれて、道路や車によって生態系が破壊されます。
このインフラストラクチャの拡大は、野生生物の生息域を切り開き、野生生物と車両の衝突 (WVC) の多くの事例につながります。
これらの WVC の事例は、世界的な社会経済的影響を及ぼしている世界的な問題であり、その結果、何十億ドルもの物的損害が発生し、時には車両の乗員が死亡することもあります。
サウジアラビアでも同様の問題があり、ラクダのサイズが大きいためにラクダと車両の衝突 (CVC) の事例が特に致命的であり、死亡率は 25% に達しています [4]。
この作業の焦点は、道路上のラクダを検出するタスクでさまざまなオブジェクト検出モデルをテストすることです。
実験で使用された深層学習 (DL) オブジェクト検出モデルは、CenterNet、EfficientDet、Faster R-CNN、および SSD です。
実験の結果は、CenterNet が精度の点で最高のパフォーマンスを発揮し、トレーニングにおいて最も効率的であったことを示しています。
将来的には、地方の道路をより安全にするためのシステムを開発することで、この作業を拡張する予定です。

要約(オリジナル)

As the population grows and more land is being used for urbanization, ecosystems are disrupted by our roads and cars. This expansion of infrastructure cuts through wildlife territories, leading to many instances of Wildlife-Vehicle Collision (WVC). These instances of WVC are a global issue that is having a global socio-economic impact, resulting in billions of dollars in property damage and, at times, fatalities for vehicle occupants. In Saudi Arabia, this issue is similar, with instances of Camel-Vehicle Collision (CVC) being particularly deadly due to the large size of camels, which results in a 25% fatality rate [4]. The focus of this work is to test different object detection models on the task of detecting camels on the road. The Deep Learning (DL) object detection models used in the experiments are: CenterNet, EfficientDet, Faster R-CNN, and SSD. Results of the experiments show that CenterNet performed the best in terms of accuracy and was the most efficient in training. In the future, the plan is to expand on this work by developing a system to make countryside roads safer.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google