Search research articles

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

Search research articles

相关实验视频

Updated: Feb 27, 2026

Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator

Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator

Published on: October 28, 2022

在高速赛车运动中实时视觉异常检测:以透驱动的混合检索和缓存增强架构.

Rubén Juárez Cádiz¹, Fernando Rodríguez-Sela²

¹Engineering School, CEU San Pablo University, Campus de Montepríncipe, Av. de Montepríncipe, s/n, 28925 Madrid, Spain.

Journal of imaging

|February 26, 2026

概括

在高速赛车运动中实时视觉异常检测使用混合缓存检索系统. 这种方法通过对缓存数据优先考虑明确事件,并使用检索来检索不确定的事件来减少延迟时间.

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

Spatial-Temporal EEG Imaging for Dual-Loop Neuro-Adaptive Simulation: Cognitive-State Decoding and Communication Gating in Critical Human-Machine Teams.

Journal of imaging·2026

Same author

CoCoChain: A Concept-Aware Consensus Protocol for Secure Sensor Data Exchange in Vehicular Ad Hoc Networks.

Sensors (Basel, Switzerland)·2025

Same author

Improving Vehicular Network Authentication with Teegraph: A Hashgraph-Based Efficiency Approach.

Sensors (Basel, Switzerland)·2025

Same author

NeoStarling: An Efficient and Scalable Collaborative Blockchain-Enabled Obstacle Mapping Solution for Vehicular Environments.

Sensors (Basel, Switzerland)·2023

科学领域:

计算机视觉计算机视觉
机器学习机器学习
汽车运动技术汽车运动技术

背景情况:

高速赛车运动需要实时视觉异常检测.
高速度 (例如300公里/小时) 的视觉延迟会造成大量未被观察到的旅行距离.
边缘计算需要平衡检测灵敏度与低延迟性能.

研究的目的:

为高速赛车运动中视觉异常检测提出混合缓存-检索推理架构.
为了利用时空冗余来实现高效的处理.
为不确定的事件保留计算密集的检索,优化边缘性能.

主要方法:

一个层次的视觉编码器与嵌套的U-Net用于纹理分析.
一个不确定性驱动的路由器利用信号来管理预测和嵌入不确定性.
两个内存路径:用于上下文的静态缓存和用于模两可的的本地相似性检索.

主要成果:

平均端到端延迟降低至21.7ms,比仅检索的基线 (48.6ms) 提高了55.3%.
在以安全为导向的操作点获得了0.89的宏观F1得分.
在高准确度的基准测试上,证明有效的异常检测 (轮胎退化,悬挂声,照明变化).

关键词:

缓存增强的推理推理边缘人工智能边缘人工智能基于的路由方式.赛车运动成像系统实时计算机视觉实时计算机视觉类似性检索类似性检索尾部延迟意识的推理推理远程测量视觉融合远程测量不确定性估计估计的不确定性视觉异常检测检测视觉异常检测

相关实验视频

Last Updated: Feb 27, 2026

Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator

Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator

Published on: October 28, 2022

结论:

混合架构有效地平衡了基于边缘的视觉异常检测的延迟和灵敏度.
该系统为被动监控提供决策支持,而不干扰车辆控制单元 (ECU).
这种方法提高了高速赛车运动环境中的安全和运营意识.