Automatyzacja zliczania pieszych w przestrzeni miejskiej Krakowa w trakcie pandemii COVID-19, na przykładzie systemów wizyjnych i uczenia maszynowego
Abstract
wykorzystywany w tym badaniu do oszacowania, jak zmieniła się aktywność pieszych podczas
blokady COVID-19 w różnych strefach miasta. W oparciu o metodę wykrywania obiektów
głębokiego uczenia się (YOLO), zaproponowano i pomyślnie zweryfikowano ulepszoną metodę
liczenia pieszych o nazwie YOLO-tiled. Za pomocą tej metody przeanalizowano dane z czterech
kamer w Krakowie w latach 2016-2021. W strefie turystycznej liczba pieszych zmniejszyła się w
porównaniu z okresem przed pandemią, o 70% w 2020 r. i 56% w 2021 r. W strefie turystycznomieszkaniowej
nastąpił spadek o 30% w 2020 r., Ale w 2021 r. był to już wzrost o 9%. Uzyskane
wyniki wskazują na bardzo zróżnicowany charakter zmian aktywności pieszych w zależności od
rodzaju strefy. Wszystkie wyniki dostępne są w postaci przetworzonych plików tekstowych (CSV) z
liczbą pieszych z lat 2016-2021.
Full Text:
PDF (Polish)References
Aktay A, Bavadekar S, Cossoul G, Davis J, Desfontaines D, Fabrikant A, Gabrilovich E, Gadepalli
K, Gipson B, Guevara M, Kamath C, Kansal M, Lange A, Mandayam C, Oplinger A, Pluntke
C, Roessler T, Schlosberg A, Shekel T, Vispute S, Vu M, Wellenius G, Williams B, Wilson R.
Google COVID-19 community mobility reports: anonymization process description
(version 1.1). arXiv arXiv:2004.04145.
Guo J, He H, He T, Lausen L, Li M, Lin H, Shi X, Wang C, Xie J, Zha S, Zhang A, Zhang H, Zhang
Z, Zhang Z, Zheng S, Zhu Y. 2020. GluonCV and GluonNLP: deep learning in computer vision
and natural language processing. Journal of Machine Learning Research 21(23):1–7.
Hajduk, S. 2021. Multi-Criteria Analysis of Smart Cities on the Example of the Polish Cities.
Resources, 10(5), 44.
Liu W, Anguelov D, Erhan D, Szegedy C, Reed S, Fu C-Y, Berg AC. 2016. SSD: single shot
MultiBox detector. In: Leibe B, Matas J, Sebe N, Welling M, eds. Computer Vision—ECCV
: ECCV 2016—lecture notes in computer science. Vol. 9905. Cham: Springer.
Liu T, Luo W, Ma L, Huang J-J, Stathaki T, Dai T. 2019. Coupled network for robust pedestrian
detection with gated multi-layer feature extraction and deformable occlusion handling. arXiv
arXiv:1912.08661.
Redmon J, Farhadi A. 2018. YOLOv3: an incremental improvement. arXiv arXiv:1804.02767.
Szczepanek, R. 2020. Analysis of pedestrian activity before and during COVID-19 lockdown, using
webcam time-lapse from Cracow and machine learning. PeerJ, 8, e10132.
Wellenius GA, Vispute S, Espinosa V, Fabrikant A, Tsai TC, Hennessy J, Williams B, Gadepalli K,
Boulange A, Pearce A, Kamath C, Schlosberg A, Bendebury C, Stanton C, Bavadekar S, Pluntke
C, Desfontaines D, Jacobso B, Armstrong Z, Gipson B, Wilson R, Widdowson A, Chou K,
Oplinger A, Shekel T, Jha AK, Gabrilovich E. 2020. Impacts of state-level policies on social
distancing in the United States using aggregated mobility data during the COVID-19 pandemic.
arXiv arXiv:1808.02246