基于 RNN 和 Transformer 的道路车辆速度估计：一种视频方法
计算机视觉与模式识别
2025-02-24 v1 机器学习
图像与视频处理
摘要
本项目探讨了先进机器学习模型——长短期记忆网络 (LSTM)、门控循环单元 (GRU) 和 Transformer——应用于视频数据中车辆速度估计的应用。传统速度估计方法，如雷达和人工系统，常受制于高成本、覆盖范围有限以及潜在干扰等约束。相比之下，利用现有监控基础设施和前沿神经网络架构提供了一种非侵入性、可扩展的解决方案。我们的ethods利用 LSTM 和 GRU 有效地管理视频帧时间序列中的长期依赖关系，而 Transformer 则被用于发挥其自注意力机制，使其能够并行处理整个序列并聚焦于数据中最具信息性的片段。本研究表明，LSTM 和 GRU 均优于基本循环神经网络 (RNN)，其出色的门控机制是原因之一。此外，随着输入数据序列长度的增加，模型准确率不断提高，凸显了在动态环境中上下文信息的重要性。尤其是 Transformer 在不同序列长度和复杂度下的适应性和鲁棒性卓越，使其非常适用于多样化交通条件下的实时应用。这些发现表明，整合这些高级神经网络模型可以显著提升自动化速度检测系统的准确性和可靠性，从而有望革新交通管理和道路安全。
引用
@article{arxiv.2502.15545,
title = {Estimating Vehicle Speed on Roadways Using RNNs and Transformers: A Video-based Approach},
author = {Sai Krishna Reddy Mareddy and Dhanush Upplapati and Dhanush Kumar Antharam},
journal= {arXiv preprint arXiv:2502.15545},
year = {2025}
}