Traffic Incident Database with Multiple Labels Including Various Perspective Environmental Information

要約

深層学習モデルを使用して交通事故認識の精度を向上させるには、注釈付きの交通事故の大規模なデータセットが必要です。
従来の交通事故データセットは、交通事故やその他の教師ラベルに関する注釈を提供し、交通事故の認識パフォーマンスを向上させていました。
ただし、交通事故を詳細に説明するには、従来のデータセットで注釈が付けられたラベルをより包括的にする必要があります。
そこで、我々は様々な環境情報をマルチラベルとしてアノテーションした大規模交通事故認識データセットであるV-TIDBを提案する。
私たちが提案するデータセットは、交通事故の有無に加えて、10種類の環境情報を教師ラベルとしてアノテーションすることで、交通事故認識の性能向上を目指しています。
V-TIDB は、インターネットから多数のビデオを収集し、適切な環境情報を注釈として付けることによって構築されます。
実験では、交通事故の有無に関するラベルのみを学習した場合と、環境情報をマルチラベルとして追加した場合の交通事故認識の性能を比較しました。
2つ目の実験では、交通事故の重大度を表す接触レベルのみで訓練した場合と、環境情報をマルチラベルとして付加した場合の訓練のパフォーマンスを比較します。
その結果、環境情報ラベル10件中6件で交通事故の有無の認知性能が向上したことがわかりました。
交通事故の認識度実験では、すべての環境情報において事故・接触の認識性能が向上した。
これらの実験により、V-TIDBを利用することで、環境情報を詳細に考慮した交通事故認識モデルを学習し、適切な交通事故解析に活用できることがわかりました。

要約(オリジナル)

A large dataset of annotated traffic accidents is necessary to improve the accuracy of traffic accident recognition using deep learning models. Conventional traffic accident datasets provide annotations on traffic accidents and other teacher labels, improving traffic accident recognition performance. However, the labels annotated in conventional datasets need to be more comprehensive to describe traffic accidents in detail. Therefore, we propose V-TIDB, a large-scale traffic accident recognition dataset annotated with various environmental information as multi-labels. Our proposed dataset aims to improve the performance of traffic accident recognition by annotating ten types of environmental information as teacher labels in addition to the presence or absence of traffic accidents. V-TIDB is constructed by collecting many videos from the Internet and annotating them with appropriate environmental information. In our experiments, we compare the performance of traffic accident recognition when only labels related to the presence or absence of traffic accidents are trained and when environmental information is added as a multi-label. In the second experiment, we compare the performance of the training with only contact level, which represents the severity of the traffic accident, and the performance with environmental information added as a multi-label. The results showed that 6 out of 10 environmental information labels improved the performance of recognizing the presence or absence of traffic accidents. In the experiment on the degree of recognition of traffic accidents, the performance of recognition of car wrecks and contacts was improved for all environmental information. These experiments show that V-TIDB can be used to learn traffic accident recognition models that take environmental information into account in detail and can be used for appropriate traffic accident analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google