English(EN) Hybrid Congestion Classification Framework Using Flow-Guided Attention and Empirical Mode Decomposition

新的FLO-EMD框架在交通拥堵分类中达到97.5%的准确率

作者 PulseAugur 编辑部 · [2 个来源] · 2026-05-06 10:59

研究人员开发了FLO-EMD，一种新颖的混合交通拥堵分类框架，它将视觉场景上下文与时间运动分析相结合。该方法使用密集光流来引导注意力机制，将视觉特征精炼到与运动相关的区域。然后，系统使用经验模态分解来分解聚合的流统计数据，以提取内在的时间分量，并将其与时空表示融合进行分类。 AI

影响该框架通过提供更准确的拥堵分类，可以改进实时交通管理系统。

排序理由这是一篇详细介绍新的交通拥堵分类框架的研究论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.CV TIER_1 English(EN) · Eugene Kofi Okrah Denteh, Blessing Agyei Kyem, Joshua Kofi Asamoah, Armstrong Aboah · 2026-05-07 04:00

基于流引导注意力与经验模态分解的混合拥塞分类框架

arXiv:2605.04752v1 Announce Type: new Abstract: Accurate traffic congestion classification requires models that jointly capture roadway scene context and non-stationary traffic motion, yet most prior work treats these requirements in isolation. Vision-based methods often depend o…
arXiv cs.CV TIER_1 English(EN) · Armstrong Aboah · 2026-05-06 10:59

基于流引导注意力和经验模态分解的混合拥塞分类框架

Accurate traffic congestion classification requires models that jointly capture roadway scene context and non-stationary traffic motion, yet most prior work treats these requirements in isolation. Vision-based methods often depend on appearance cues with standard temporal pooling…