Fugu-MT 論文翻訳(概要): Driver Drowsiness Detection Model Using Convolutional Neural Networks Techniques for Android Application

論文の概要: Driver Drowsiness Detection Model Using Convolutional Neural Networks Techniques for Android Application

arxiv url: http://arxiv.org/abs/2002.03728v1
Date: Fri, 17 Jan 2020 12:39:50 GMT
ステータス: 処理完了
システム内更新日: 2023-01-10 12:45:46.546673
Title: Driver Drowsiness Detection Model Using Convolutional Neural Networks Techniques for Android Application
Title（参考訳）: 畳み込みニューラルネットワークを用いたandroidアプリケーション用ドライバ眠気検出モデル
Authors: Rateb Jabbar, Mohammed Shinoy, Mohamed Kharbeche, Khalifa Al-Khalifa, Moez Krichen, Kamel Barkaoui
Abstract要約: 本稿では,ニューラルネットワークを用いた微小睡眠と眠気の検出に焦点をあてる。カメラによって検出され、畳み込みニューラルネットワーク(CNN)に渡される顔のランドマークを利用して、眠気を分類することで精度が向上した。提案したCNNベースのモデルは,組込みシステムとAndroidデバイスを対象とした,高精度で使いやすいリアルタイムドライバの眠気検知システムを構築するために使用することができる。
参考スコア（独自算出の注目度）: 0.8644909837301148
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: A sleepy driver is arguably much more dangerous on the road than the one who is speeding as he is a victim of microsleeps. Automotive researchers and manufacturers are trying to curb this problem with several technological solutions that will avert such a crisis. This article focuses on the detection of such micro sleep and drowsiness using neural network based methodologies. Our previous work in this field involved using machine learning with multi-layer perceptron to detect the same. In this paper, accuracy was increased by utilizing facial landmarks which are detected by the camera and that is passed to a Convolutional Neural Network (CNN) to classify drowsiness. The achievement with this work is the capability to provide a lightweight alternative to heavier classification models with more than 88% for the category without glasses, more than 85% for the category night without glasses. On average, more than 83% of accuracy was achieved in all categories. Moreover, as for model size, complexity and storage, there is a marked reduction in the new proposed model in comparison to the benchmark model where the maximum size is 75 KB. The proposed CNN based model can be used to build a real-time driver drowsiness detection system for embedded systems and Android devices with high accuracy and ease of use.
Abstract（参考訳）: 眠いドライバーは、マイクロスリープの犠牲者であるのでスピードを上げている人よりも、道路でずっと危険です。自動車研究者や製造業者は、こうした危機を回避するいくつかの技術的解決策でこの問題を抑えようとしている。本稿では,ニューラルネットワークを用いた微小睡眠と眠気の検出に焦点をあてる。この分野でのこれまでの研究は、機械学習と多層パーセプトロンを使って同じことを検出していた。本稿では,カメラで検出され,畳み込みニューラルネットワーク(cnn)に渡されて眠気を分類する顔ランドマークを利用することにより,その精度を高めた。この研究の成果は、メガネ無しのカテゴリーでは88%以上、メガネなしのカテゴリーでは85%以上という、より重い分類モデルの軽量な代替手段を提供する能力である。平均して、83%以上の精度が全カテゴリーで達成された。さらに, モデルサイズ, 複雑性, ストレージについては, 最大75KBのベンチマークモデルと比較して, 新たなモデルが大幅に削減されている。提案するcnnベースのモデルは、組み込みシステムとandroidデバイス向けに、高精度で使いやすいリアルタイムドライバドローゼンス検出システムを構築するのに使用できる。

関連論文リスト

TEDNet: Twin Encoder Decoder Neural Network for 2D Camera and LiDAR Road Detection [2.8038082486377114]
道路面の正確な推定のために,新しい畳み込みニューラルネットワークモデルを提案する。我々のモデルは、独立カメラとLiDAR機能抽出にTwin-Decoder Neural Network(TEDNet)を用いている。このモデルでは、カメラとLiDARデータのバードアイビュー投影を用いて、各ピクセルが路面に属するか否かのセマンティックセグメンテーションを行う。
論文参考訳（メタデータ） (2024-05-14T08:45:34Z)
SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning [55.84746218227712]
我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。性能を損なうことなく、さらに(最大40%)削減できることを示す。
論文参考訳（メタデータ） (2023-07-20T08:38:50Z)
Rethinking Voxelization and Classification for 3D Object Detection [68.8204255655161]
LiDARポイントクラウドからの3Dオブジェクト検出の主な課題は、ネットワークの信頼性に影響を与えることなく、リアルタイムのパフォーマンスを実現することである。本稿では,高速な動的ボキセラライザを実装することにより,ネットワークの推論速度と精度を同時に向上するソリューションを提案する。さらに,予測対象を分類し,偽検出対象をフィルタリングする軽量検出サブヘッドモデルを提案する。
論文参考訳（メタデータ） (2023-01-10T16:22:04Z)
Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
論文参考訳（メタデータ） (2022-11-22T15:14:20Z)
SleepyWheels: An Ensemble Model for Drowsiness Detection leading to Accident Prevention [0.0]
SleepyWheelsは、顔のランドマークを識別すると同時に、軽量なニューラルネットワークを使用する革命的な方法だ。このモデルは、ドライバーの眠気に関する特別なデータセットに基づいて訓練され、精度は97%に達する。
論文参考訳（メタデータ） (2022-11-01T19:36:47Z)
Embedded System Performance Analysis for Implementing a Portable Drowsiness Detection System for Drivers [2.314847093228566]
そこで我々は,GhoddoosianのDrowsiness検出アルゴリズムを小型ミニコンピュータ上で処理できる組込みシステムを提案する。私たちは、AioRTCプロトコルを使用して、クライアントからサーバへのビデオフレームのリアルタイム送信を行います。
論文参考訳（メタデータ） (2022-09-30T00:22:57Z)
Blind-Spot Collision Detection System for Commercial Vehicles Using Multi Deep CNN Architecture [0.17499351967216337]
高レベル特徴記述子に基づく2つの畳み込みニューラルネットワーク(CNN)は、重車両の盲点衝突を検出するために提案される。盲点車両検出のための高次特徴抽出のための2つの事前学習ネットワークを統合するために,融合手法を提案する。機能の融合により、より高速なR-CNNの性能が大幅に向上し、既存の最先端手法よりも優れていた。
論文参考訳（メタデータ） (2022-08-17T11:10:37Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文参考訳（メタデータ） (2021-05-07T11:39:05Z)
MS-RANAS: Multi-Scale Resource-Aware Neural Architecture Search [94.80212602202518]
我々は,MS-RANAS(Multi-Scale Resource-Aware Neural Architecture Search)を提案する。我々は,検索コストの削減を図るために,ワンショットのアーキテクチャ探索手法を採用した。我々は精度-速度トレードオフの観点から最先端の結果を得る。
論文参考訳（メタデータ） (2020-09-29T11:56:01Z)
Driver Safety Development Real Time Driver Drowsiness Detection System Based on Convolutional Neural Network [1.7188280334580195]
本稿では,道路上での運転者の安全に関する課題に焦点をあて,眠気検知のための新しいシステムを提案する。眠気の兆候としてドライバの睡眠状態を検出するために、畳み込みニューラルネットワーク(CNN)を用いる。
論文参考訳（メタデータ） (2020-01-15T05:38:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。