در یک نگاه
چرا این پژوهش اهمیت دارد؟
سازمان‌های حمل‌ونقل هر روز تصویرها و داده‌های حسگری بیشتری در اختیار دارند. پژوهش من به این می‌پردازد که بینایی ماشین چگونه می‌تواند این داده‌ها را به اطلاعات منظم درباره زیرساخت، کاربران راه، حرکت و میزان مواجهه با خطر تبدیل کند؛ بی‌آن‌که هر بار به برداشت میدانی پرهزینه نیاز باشد.
در یک مطالعه، با بخش‌بندی معنایی تصاویر سطح خیابان، چراغ‌های روشنایی راه را در حدود ۷۰ مایل از بزرگراه‌های بین‌ایالتی، فدرال و ایالتی اورگن شناسایی و مکان‌یابی کردیم. دقت تشخیص حدود ۰٫۹۸ و نرخ بازیابی ۰٫۹۰ بود؛ میانگین خطای مکان‌یابی ۱٫۴ متر و میانه آن ۰٫۹ متر به دست آمد.
هدف اصلی، استفاده قابل اعتماد در عمل است. وقتی نتیجه یک مدل قرار است مبنای تصمیم ایمنی باشد، محل نصب دوربین، منشأ تصویر، سازه‌های نامعمول، کالیبراسیون، برچسب‌گذاری و اعتبارسنجی به‌اندازه دقت مدل اهمیت دارند. از این رو، یافته‌ها را به پیشنهادهایی عملی برای ویدئوهای سازمانی و روش‌های تکرارپذیر گردآوری داده تبدیل می‌کنیم.
