자전거 운전자 방향 감지 기술을 활용한 도로 취약 이용자의 안전성에 관한 연구

이 연구에서는 딥러닝을 활용한 자전거 이용자의 방향 감지가 특히 취약한 도로 이용자인 자전거 이용자를 위해 인정되었습니다. 자전거 이용자의 방향을 파악하는 것은 그들의 미래 경로에 대한 좋은 정보를 제공하기 때문에, 이는 지능형 교통 시스템의 맥락에서 사고를 피하기 위한 중요한 요소입니다. 전이 학습(Transfer Learning)과事前训练的模型以及TensorFlow를 사용하여, 문헌에서 보고된 주요 객체 감지 알고리즘인 SSD, Faster R-CNN 및 R-FCN과 함께 MobilenetV2, InceptionV2, ResNet50, ResNet101 특성 추출기 간의 성능 비교를 제시합니다. 또한, 방향에 따라 8개의 다른 클래스를 포함하는 다중 클래스 감지를 제안합니다. 이를 위해 새로운 데이터셋인 "Detect-Bike"를 소개하는데, 이 데이터셋은 11,103장의 이미지에 걸쳐 20,229개의 자전거 이용자 인스턴스를 포함하며, 자전거 이용자의 방향을 기반으로 라벨링되었습니다. 그런 다음, 감지를 위해 사용된 동일한 딥러닝 방법들을 통해 대상의 진행 방향을 결정하도록 훈련시켰습니다. 실험 결과와 폭넓은 평가는 모든 연구된 방법들이 자전거 이용자와 그들의 방향 감지에 대해 만족할 만한 성능을 보였음을 나타내며, 특히 ResNet50을 사용한 Faster R-CNN은 정확하지만 상당히 느린 것으로 밝혀졌습니다. 한편, InceptionV2를 사용한 SSD는 정밀도와 실행 시간 사이에서 좋은 균형을 이루었으며, 실시간 임베디드 애플리케이션에 적합하다고 판단됩니다.注：在上述翻译中，“事前训练的模型”是中文，应该是“预训练模型”。正确的韩文翻译应为“事前训练된 모델”或“事前 학습된 모델”。因此，修正后的翻译如下：이 연구에서는 딥러닝을 활용한 자전거 이용자의 방향 감지가 특히 취약한 도로 이용자인 자전거 이용자를 위해 인정되었습니다. 자전거 이용자의 방향을 파악하는 것은 그들의 미래 경로에 대한 좋은 정보를 제공하기 때문에, 이는 지능형 교통 시스템의 맥락에서 사고를 피하기 위한 중요한 요소입니다. 전이 학습(Transfer Learning)과 사전 학습된 모델 그리고 TensorFlow를 사용하여, 문헌에서 보고된 주요 객체 감지 알고리즘인 SSD, Faster R-CNN 및 R-FCN과 함께 MobilenetV2, InceptionV2, ResNet50, ResNet101 특성 추출기 간의 성능 비교를 제시합니다. 또한, 방향에 따라 8개의 다른 클래스를 포함하는 다중 클래스 감지를 제안합니다. 이를 위해 새로운 데이터셋인 "Detect-Bike"를 소개하는데, 이 데이터셋은 11,103장의 이미지에 걸쳐 20,229개의 자전거 이용자 인스턴스를 포함하며, 자전거 이용자의 방향을 기반으로 라벨링되었습니다. 그런 다음, 감지를 위해 사용된 동일한 딥러닝 방법들을 통해 대상의 진행 방향을 결정하도록 훈련시켰습니다. 실험 결과와 폭넓은 평가는 모든 연구된 방법들이 자전거 이용자와 그들의 방향 감지에 대해 만족할 만한 성능을 보였음을 나타내며, 특히 ResNet50을 사용한 Faster R-CNN은 정확하지만 상당히 느린 것으로 밝혀졌습니다. 한편, InceptionV2를 사용한 SSD는 정밀도와 실행 시간 사이에서 좋은 균형을 이루었으며, 실시간 임베디드 애플리케이션에 적합하다고 판단됩니다.