Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

V-RoAst: Visual Road Assessment. Can VLM be a Road Safety Assessor Using the iRAP Standard?

Created by
  • Haebom

저자

Natchapon Jongwiriyanurak, Zichao Zeng, June Moh Goo, James Haworth, Xinglei Wang, Kerkritt Sriroongvikrai, Nicola Christie, Ilya Ilyankou, Meihui Wang, Huanfa Chen

개요

본 논문은 저소득 및 중간소득 국가(LMICs)의 교통사고로 인한 사망자와 경제적 손실을 줄이기 위해, Vision Language Model (VLM)을 이용한 도로 안전 평가 시스템 V-RoAst를 제안합니다. 기존의 도로 안전 평가는 인력 기반의 데이터 라벨링에 의존하여 시간과 비용이 많이 소요되는 반면, V-RoAst는 Gemini-1.5-flash 및 GPT-4o-mini와 같은 VLM을 활용하여 Mapillary의 크라우드소싱 이미지를 분석함으로써 라벨링 없이 도로 안전 속성을 평가합니다. CNN 기반 모델보다 성능은 낮지만, 시각적 질문 응답(VQA)을 통해 iRAP 기준에 따른 별점 예측이 가능함을 보여줍니다. 하지만 중요한 시각적 특징이 이미지에 없을 경우 성능이 저하되므로, 인간의 라벨링을 통한 보완이 필요합니다. 향후 VLM의 발전과 함께 in-context learning 및 파라미터 효율적인 fine-tuning을 통해 성능 향상이 기대됩니다.

시사점, 한계점

시사점:
VLM을 활용한 도로 안전 평가의 가능성을 제시.
라벨링 데이터가 필요없는 비용 효율적이고 확장 가능한 솔루션 제공.
저자원 국가에서의 도로 안전 개선에 기여 가능.
VQA를 통해 도로 안전 평가에 대한 새로운 접근 방식 제시.
한계점:
CNN 기반 모델보다 성능이 낮음.
이미지에 중요한 시각적 특징이 없을 경우 성능 저하.
인간 라벨링에 대한 의존성 여전히 존재.
VLM의 성능 향상을 위한 추가 연구 필요.
👍