플롯 / 이미지에서 포인트를 식별하는 기계 학습 기술이 있습니까?

아래 이미지와 샘플 데이터의이 3 플롯에 표시된대로 시간과 차선 번호에 따른 각 차량의 측면 위치에 대한 데이터가 있습니다.

> a
   Frame.ID   xcoord Lane
1       452 27.39400    3
2       453 27.38331    3
3       454 27.42999    3
4       455 27.46512    3
5       456 27.49066    3

측면 위치는 인간 운전자가 차량 위치를 완벽하게 제어 할 수 없기 때문에 시간에 따라 변합니다. 차선 변경 조작은 측면 위치가 급격히 변할 때 시작하고 변이가 다시 '정상'이되면 끝납니다. 데이터에서 직접 확인할 수 없습니다. 차선 변경 기간을 추정하기 위해 차선 변경 기동의 시작 및 끝 지점을 결정하기 위해 각 차량의 플롯을 수동으로 살펴 봐야합니다. 그러나 데이터 세트에 수천 개의 차량이 있습니다. 이러한 점을 식별하도록 훈련시킬 수있는 관련 이미지 분석 / 기계 학습 알고리즘을 알려주시겠습니까? 저는 R에서 일합니다. 미리 감사드립니다.

표면의 첫 번째 파생물이 그렇게 할 것입니다. 그러나 표시하는 데이터에는 많은 노이즈가 있으므로 잡음이없는 방식으로 또는 적어도 지터를 제거하고 주요 미분 변화를 유지하는 주파수 영역 내에서 첫 번째 미분을 평가할 수있는 방법이 필요합니다.

웨이블릿 분석은 특히 가우시안의 첫 번째 미분을 어머니 웨이블릿으로 사용하는 경우이를 달성 할 수 있습니다. R에는 괜찮은 웨이블릿 패키지가 있습니다 ( 스타터 는 r-project.org 참조 ). 웨이블릿 변환을 짧은 스케일로 수행하면 스티어링에서 지터 비트의 위치를 ​​식별합니다. 더 큰 스케일 (즉, 더 낮은 주파수)에서이 작업을 수행하면 작은 지터가 아닌 차선 이동 만 찾을 수 있습니다.

합리적인 데이터 세트로 변환을 학습하는 경우 차선 변경에 해당하는 스케일 또는 스케일 범위를 식별 할 수 있어야합니다. 그러나 만약 당신이 그것을 알지 못한다면 이것은 O (n ^ 2)와 같으므로, 스케일 범위를 조금 좁혀서 계산 시간을 절약하십시오.

노이즈 파생보다 몇 초 더 높은 것을 볼 수있는 것 같습니다. 각 시간 단계에서 마지막 단계 (또는 이전 단계 중 하나)까지 유한 차이의 절대 값을 계산하고 일련의 높은 값을 기다립니다. 그때 차선 변경이 발생합니다.

변경점 패키지를 사용해보십시오 . 비슷한 경우에 사용했습니다.

변경점 분석은 두 "정규"사이의 변경을 감지하는 방법의 통계 이름입니다. 차선에있는 차는 차선의 중간 점에서 기울기가 0 인 선입니다. 차선에서 운전하는 자동차에 통계 모델을 쉽게 맞출 수 있습니다. 차 변경 차선이 0이 아닌 기울기로 선을 따라 주행 중입니다. 모델이 변경되었습니다. 변경점 분석 및 변경점 패키지는 모델이 y=a' (straight and level) toy = a + bx` (상승 또는 하강) 에서 변경 될 때 포인트를 결정하는 데 필요한 것입니다.