日本語タイトル#
ロングテールイベントの安全クリティカル学習：チューリッヒ工科大学交通事故データセット
英文タイトル#
Safety-Critical Learning for Long-Tail Events: The TUM Traffic Accident Dataset
日本語摘要#
交通ネットワークの安全性を高めるために多くの作業が行われているにもかかわらず、事故は依然として頻繁に発生しています。 それらは交通ネットワークの避けられない偶発的な結果として理解されるべきです。 私たちは、TUM 交通事故（TUMTraf-A）データセットを提案します。これは、実世界の高速道路事故のコレクションです。 それは、高速運転中の車両衝突の 10 のシーケンスを含み、294,924 のラベル付き 2D ボックスと 93,012 のラベル付き 3D ボックス、ならびに 4 つの路側カメラと 10 Hz で記録された LiDAR からの 48,144 のラベル付きフレーム内のトラック ID を含んでいます。 このデータセットは 10 のオブジェクトクラスを含み、OpenLABEL 形式で提供されています。 私たちは、ルールベースのアプローチと学習ベースのアプローチを組み合わせた事故検出モデル Accid3nD を提案します。 データセットに対する実験とアブレーション研究は、私たちの提案した方法の堅牢性を示しています。 データセット、モデル、コードは私たちのプロジェクトウェブサイトで入手可能です：https://tum-traffic-dataset.github.io/tumtraf-a。
英文摘要#
Even though a significant amount of work has been done to increase the safety of transportation networks, accidents still occur regularly. They must be understood as an unavoidable and sporadic outcome of traffic networks. We present the TUM Traffic Accident (TUMTraf-A) dataset, a collection of real-world highway accidents. It contains ten sequences of vehicle crashes at high-speed driving with 294,924 labeled 2D and 93,012 labeled 3D boxes and track IDs within 48,144 labeled frames recorded from four roadside cameras and LiDARs at 10 Hz. The dataset contains ten object classes and is provided in the OpenLABEL format. We propose Accid3nD, an accident detection model that combines a rule-based approach with a learning-based one. Experiments and ablation studies on our dataset show the robustness of our proposed method. The dataset, model, and code are available on our project website: https://tum-traffic-dataset.github.io/tumtraf-a。
文章ページ#
ロングテールイベントの安全クリティカル学習：チューリッヒ工科大学交通事故データセット
PDF 取得#
QR コードをスキャンしてさらに素晴らしいコンテンツを見る