MARC

 008260126s2025        us                              c    eng  d
■001000017359852
■00520260202105225
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291566619
■035    ▼a(MiAaPQ)AAI32271844
■035    ▼a(MiAaPQ)umichrackham006213
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aKanu-Asiegbu,  Asiegbu  Miracle.
■24510▼aEnhancing  Pedestrian  Safety  by  Detecting  Pedestrian  Activities  and  Using  Multi-Modal  Sensors  for  Pedestrian  Detection
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a98  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Du,  Xiaoxiao;Vasudevan,  Ramanarayan.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aPedestrians  are  some  of  the  most  vulnerable  road  users,  facing  a  high  risk  of  injury  in  vehicle-pedestrian  collisions.  To  make  safe  autonomous  driving  a  reality,  accurately  detecting  pedestrians  with  real-world  sensor  data  is  crucial.  In  this  thesis,  I  propose  a  series  of  deep  learning-based  algorithms  aimed  at  improving  pedestrian  safety  by  analyzing  real-world  time-series  data.  In  part  one,  I  detect  non-walking  pedestrian  activities  by  explicitly  incorporating  temporal  information  through  pedestrian  trajectories,  and  in  part  two,  I  perform  pedestrian  detection  by  leveraging  sequences  of  multimodal  images  taken  at  different  time  steps  to  capture  motion  patterns  and  temporal  context,  which  implicitly  incorporates  temporal  information.  The  first  part  of  this  work  introduces  two  novel  unsupervised  approaches  for  detecting  walking  and  non-walking  events  using  anomaly  detection.  In  this  context,  non-walking  pedestrians-such  as  running,  biking,  or  skateboarding-are  anomalous  because  they  often  cover  longer  distances  over  short  periods,  increasing  the  risk  of  collisions.  Therefore,  accurately  identifying  non-walking  pedestrians  is  critical  for  ensuring  pedestrian  safety.  Both  methods  follow  three  main  steps:  (1)  pedestrian  detection,  (2)  trajectory  prediction,  and  (3)  anomaly  detection.  For  pedestrian  detection,  pedestrians  are  identified  in  RGB  camera  images  by  extracting  either  bounding  boxes  or  human  pose  coordinates,  which  are  then  used  to  construct  their  trajectories.  Next,  for  trajectory  prediction,  the  predictor  is  trained  exclusively  on  walking  data  and  forecasts  future  pedestrian  movements  based  on  observed  trajectories.  Finally,  for  anomaly  detection,  I  compare  predicted  and  actual  trajectories:  large  prediction  errors  indicate  anomalous  (non-walking)  behavior,  allowing  for  fully  unsupervised  activity  detection.  Both  approaches  achieve  competitive  results.  The  second  part  of  this  work  addresses  pedestrian  detection  in  both  daytime  and  nighttime  conditions.  While  RGB  cameras  perform  effectively  in  well-lit  environments,  their  performance  deteriorates  significantly  in  low-light  or  nighttime  scenarios.  However,  thermal  imagery  captures  the  heat  signatures  of  pedestrians,  enabling  detection  in  challenging  lighting  conditions.  This  section  proposes  two  multimodal  methods  that  fuse  sequences  of  thermal  and  visible  images.  Both  methods  leverage  image  sequences  rather  than  single  frames,  which  improves  detection  accuracy  of  heavily  occluded  pedestrians.  A  key  challenge  in  multimodal  fusion  is  the  spatial  misalignment  between  thermal  and  visible  image  pairs,  which  can  degrade  performance  if  not  properly  addressed.  The  first  method,  MambaST,  assumes  well-aligned  image  sequences  and  focuses  on  real-time  fusion  of  thermal  and  visible  images  for  pedestrian  detection.  The  second  method,  Strip-Fusion,  inspired  by  multi-layer  perceptrons,  is  robust  to  well-aligned  and  misaligned  sequences  and  uses  Kullback-Leibler  divergence  loss  to  encourage  the  feature  distribution  of  the  less  reliable  modality  to  resemble  the  more  reliable  modality.    Followed  by  a  post-processing  step,  which  effectively  ensures  that  a  pedestrian  is  detected  in  both  thermal  and  visible  detection  heads.  Experimental  results  demonstrate  that  our  methods  achieve  competitive  performance  on  the  well-aligned  and  misaligned  datasets,  highlighting  the  effectiveness  and  adaptability  of  our  proposed  approaches.  The  first  part  of  the  thesis  distinguishes  between  walking  and  non-walking  pedestrians  using  visible  images.  It  can  be  generalized  to  detect  anomalous  activities,  which  is  a  core  problem  in  vision.  This  work  extends  the  current  literature  on  using  prediction-based  methods  for  anomaly  detection  and  can  benefit  safety-critical  applications  such  as  autonomous  driving,  surveillance,  and  human-robot  interaction.  The  second  part  of  the  thesis  uses  both  visible  and  thermal  images  to  improve  pedestrian  detection  in  challenging  lighting  conditions.  This  work  extends  the  current  literature  and  proposes  new  efficient  and  robust  approaches  to  address  spatial-temporal  multispectral  pedestrian  detection.
■590    ▼aSchool  code:  0127.
■650  4▼aRobotics
■650  4▼aComputer  science
■650  4▼aMechanical  engineering
■653    ▼aPedestrian  detection
■653    ▼aVideo  anomaly  detection
■653    ▼aTrajectory  prediction
■653    ▼aLow  light  conditions
■653    ▼aCollisions
■690    ▼a0771
■690    ▼a0984
■690    ▼a0800
■690    ▼a0548
■71020▼aUniversity  of  Michigan▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359852▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서