Lane-Wise Highway Anomaly Detection

要約

このペーパーでは、監視カメラから抽出されたマルチモーダル時系列データを活用して、車線ごとの高速道路交通の異常検出のためのスケーラブルで解釈可能なフレームワークを提案します。
従来のセンサー依存の方法とは異なり、このアプローチはAI搭載のビジョンモデルを使用して、高価なハードウェアや複雑な道路モデリングに依存することなく、車両数、占有率、トラックの割合などの車線固有の機能を抽出します。
73,139の車線ワイズサンプルを含む新しいデータセットを導入し、4つのクラスの専門分野の異常が注釈されています：3つのトラフィック関連の異常（車線の閉塞と回復、異物の侵入、および吸引詰まり）と1つのセンサー関連の異常（カメラ角のシフト）。
マルチブランチ検出システムは、堅牢性と精度を向上させるために、深い学習、ルールベースのロジック、および機械学習を統合します。
広範な実験は、私たちのフレームワークが精度、リコール、およびF1スコアの最先端の方法よりも優れていることを示しており、実際のインテリジェントな輸送システムに費用対効果の高いスケーラブルなソリューションを提供します。

要約(オリジナル)

This paper proposes a scalable and interpretable framework for lane-wise highway traffic anomaly detection, leveraging multi-modal time series data extracted from surveillance cameras. Unlike traditional sensor-dependent methods, our approach uses AI-powered vision models to extract lane-specific features, including vehicle count, occupancy, and truck percentage, without relying on costly hardware or complex road modeling. We introduce a novel dataset containing 73,139 lane-wise samples, annotated with four classes of expert-validated anomalies: three traffic-related anomalies (lane blockage and recovery, foreign object intrusion, and sustained congestion) and one sensor-related anomaly (camera angle shift). Our multi-branch detection system integrates deep learning, rule-based logic, and machine learning to improve robustness and precision. Extensive experiments demonstrate that our framework outperforms state-of-the-art methods in precision, recall, and F1-score, providing a cost-effective and scalable solution for real-world intelligent transportation systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google