Sidewalk Hazard Detection Using Variational Autoencoder and One-Class SVM

要約

予測不可能な屋外環境は、多くの安全上の懸念をもたらし、安全なナビゲーションのために危険検出を極めて重要なものにしている。本論文では、VAE（Variational Autoencoder）とOCSVM（One-Class Support Vector Machine）を組み合わせたハイブリッドアプローチを利用した、歩道の安全ナビゲーションのための新しいシステムを紹介する。このシステムは、潜在的に歩行の危険をもたらす可能性のある歩道の異常を検出するように設計されている。15,000以上のトレーニングフレームと5,000以上のテストフレームからなるデータセットは、正常な状態や危険な状態を含む様々な歩道のシナリオを捉えたビデオ録画を使用して収集された。展開中、VAEは再構成メカニズムを利用してフレーム内の異常を検出する。VAEによる再構成が不十分な場合は異常の存在を示唆し、その後、OCSVMを用いて異常が危険か非危険かを確認する。提案されたVAEモデルは、0.94という高いAUC（Area Under the Curve：曲線下面積）を示し、潜在的な危険性のある異常を効果的に識別する。OCSVMは、マンホールや水道バルブの蓋のような誤った危険異常の検出を減らすために採用された。このアプローチは91.4%の精度を達成し、危険なシナリオとそうでないシナリオを区別するための信頼性の高いシステムを提供する。これらの結果は、提案システムが不確実な環境における危険検出のための強固なソリューションを提供することを示唆している。

要約(オリジナル)

The unpredictable nature of outdoor settings introduces numerous safety concerns, making hazard detection crucial for safe navigation. This paper introduces a novel system for sidewalk safety navigation utilizing a hybrid approach that combines a Variational Autoencoder (VAE) with a One-Class Support Vector Machine (OCSVM). The system is designed to detect anomalies on sidewalks that could potentially pose walking hazards. A dataset comprising over 15,000 training frames and 5,000 testing frames was collected using video recordings, capturing various sidewalk scenarios, including normal and hazardous conditions. During deployment, the VAE utilizes its reconstruction mechanism to detect anomalies within a frame. Poor reconstruction by the VAE implies the presence of an anomaly, after which the OCSVM is used to confirm whether the anomaly is hazardous or non-hazardous. The proposed VAE model demonstrated strong performance, with a high Area Under the Curve (AUC) of 0.94, effectively distinguishing anomalies that could be potential hazards. The OCSVM is employed to reduce the detection of false hazard anomalies, such as manhole or water valve covers. This approach achieves an accuracy of 91.4%, providing a highly reliable system for distinguishing between hazardous and non-hazardous scenarios. These results suggest that the proposed system offers a robust solution for hazard detection in uncertain environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL