使用卷积神经网络的交通密度估计
机器学习
2018-09-06 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
本项目的目标是介绍并呈现一个旨在改善新加坡人民生活质量机器学习应用。具体而言，我们研究使用机器学习解决方案来解决新加坡的交通拥堵问题。通俗地说，我们力求使新加坡（或任何其他城市）变得更通畅。为实现此目标，我们提出一个端到端系统，包括：1. 交通灯/路口处的交通密度估计算法；2. 利用密度信息实现更好交通控制的合适交通信号控制算法。交通密度估计可通过各种机器学习技术（结合 CV 工具）从交通路口图像获得。在调研多种先进机器学习方法后，我们决定采用卷积神经网络（CNNs）。我们使用陆路交通管理局（LTA）公开可用的交通摄像头数据集对算法进行实验，以证明该方法的可行性。利用这些交通密度估计，可应用不同交通算法以总体最小化路口拥堵。
引用
@article{arxiv.1809.01564,
title = {Traffic Density Estimation using a Convolutional Neural Network},
author = {Julian Nubert and Nicholas Giai Truong and Abel Lim and Herbert Ilhan Tanujaya and Leah Lim and Mai Anh Vu},
journal= {arXiv preprint arXiv:1809.01564},
year = {2018}
}
备注
Machine Learning Project National University of Singapore. 6 pages, 5 figures