[論文レビュー] Traffic Density Estimation using a Convolutional Neural Network

Julian Nubert, Nicholas Giai Truong+4 more|arXiv (Cornell University)|Sep 5, 2018

Traffic Prediction and Management Techniques参考文献 5被引用数 5

ひとこと要約

本稿では、公開の交通カメラ映像を用いて、都市交差点におけるリアルタイム交通密度推定のための畳み込みニューラルネットワーク（CNN）ベースのシステムを提案する。クラス不均衡の対処と画像マスキングを適用することで、自作ラベル付与された4,582枚の画像から成るデータセット上で74.3%の精度と81.3%のF1スコアを達成し、混雑を低減するための適応的交通信号制御の実現可能性を示している。

ABSTRACT

The goal of this project is to introduce and present a machine learning application that aims to improve the quality of life of people in Singapore. In particular, we investigate the use of machine learning solutions to tackle the problem of traffic congestion in Singapore. In layman's terms, we seek to make Singapore (or any other city) a smoother place. To accomplish this aim, we present an end-to-end system comprising of 1. A traffic density estimation algorithm at traffic lights/junctions and 2. a suitable traffic signal control algorithms that make use of the density information for better traffic control. Traffic density estimation can be obtained from traffic junction images using various machine learning techniques (combined with CV tools). After research into various advanced machine learning methods, we decided on convolutional neural networks (CNNs). We conducted experiments on our algorithms, using the publicly available traffic camera dataset published by the Land Transport Authority (LTA) to demonstrate the feasibility of this approach. With these traffic density estimates, different traffic algorithms can be applied to minimize congestion at traffic junctions in general.

研究の動機と目的

• 公開の交通カメラデータを用いて、交差点におけるリアルタイム交通密度推定のエンドツーエンド機械学習システムの開発を目的とする。
• リアルタイム密度推定に基づく適応的交通信号制御を可能にすることで、都市の交通流を改善することを目的とする。
• 実用的導入環境におけるクラス不均衡、照明・天候の変動、リアルタイム処理の課題に対処することを目的とする。
• 公共インフラにおけるシステムの安全性、信頼性、倫理的利用を確保し、バイアスや悪意ある利用を回避することを目的とする。

提案手法

• 4,582枚の交通カメラ画像から成る自作ラベル付与データセットを用いて、密度クラス（例：空、低、中、高）に分類されたカスタムCNNアーキテクチャを学習する。
• クラス不均衡は、損失重みがクラス頻度の逆数に比例する比率重み付き交差エントロピー損失により緩和される：$ \alpha_c = \text{median\_count} / \text{count}_c $。
• 訓練中にリアルタイムのデータ拡張を適用することで、多様性を向上させ、少数クラスの一般化性能を向上させる。
• 画像マスキングを用いて不要な領域（例：反対車線）を抑制するが、性能への影響は限定的である。
• システムはストリーミング動画データを段階的に処理し、動的交通信号適応のためのリアルタイム推論をサポートする。
• 人間による監視インターフェースを備え、既存の交通信号および歩行者横断帯と互換性を持たせ、歩行者検出のオプション統合も可能である。

実験結果

リサーチクエスチョン

• RQ1 静的な交通カメラ映像からCNNを用いて、現実世界の変動に強く、高い精度で交通密度を推定できるか？
• RQ2 重み付き損失やデータ拡張といったクラス不均衡対処技術は、少数クラスにおけるモデル性能にどのように影響するか？
• RQ3 画像マスキングは、関連する交通線に注目することで、モデルの精度をどの程度向上させるか？
• RQ4 本システムはリアルタイム性能を達成し、公共交通インフラへの導入に際し、安全性と信頼性を維持できるか？

主な発見

• クラス不均衡の緩和と画像マスキングを併用した場合、74.3%の精度と81.3%のF1スコアを達成し、不均衡データに対する強力な性能を示している。
• クラス不均衡対処によりF1スコアが顕著に向上し、精度のわずかな上昇とは対照的に、少数クラスにおける適合率と再現率の向上が確認された。
• トップ2精度は94%に達しており、隣接する密度レベル間の誤分類であっても、交通制御に有用な情報を提供していることが示唆される。
• 画像マスキングは1〜2%の精度向上をもたらしたが、顕著な効果はなく、CNNが明示的な前処理なしに、関連領域に自然に注目できることを示している。
• システムの性能は、動画フレームの時間的平均を組み合わせることで、リアルタイム導入に十分に耐える堅牢性を有している。