Fugu-MT 論文翻訳(概要): Identity Recognition in Intelligent Cars with Behavioral Data and LSTM-ResNet Classifier

論文の概要: Identity Recognition in Intelligent Cars with Behavioral Data and LSTM-ResNet Classifier

arxiv url: http://arxiv.org/abs/2003.00770v1
Date: Mon, 2 Mar 2020 11:24:05 GMT
ステータス: 処理完了
システム内更新日: 2022-12-27 05:23:57.971069
Title: Identity Recognition in Intelligent Cars with Behavioral Data and LSTM-ResNet Classifier
Title（参考訳）: 行動データとLSTM-ResNet分類器を用いたインテリジェント車の識別
Authors: Michael Hammann, Maximilian Kraus, Sina Shafaei, Alois Knoll
Abstract要約: モデルへの入力にはガスとブレーキペダル圧を使用します。我々の分類手法はLSTMとResNetの組み合わせに基づいている。最終的な精度は、NUDriveの10ドライバサブセットで79.49%、UTDriveの5ドライバサブセットで96.90%に達する。
参考スコア（独自算出の注目度）: 5.238954896174913
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identity recognition in a car cabin is a critical task nowadays and offers a great field of applications ranging from personalizing intelligent cars to suit drivers physical and behavioral needs to increasing safety and security. However, the performance and applicability of published approaches are still not suitable for use in series cars and need to be improved. In this paper, we investigate Human Identity Recognition in a car cabin with Time Series Classification (TSC) and deep neural networks. We use gas and brake pedal pressure as input to our models. This data is easily collectable during driving in everyday situations. Since our classifiers have very little memory requirements and do not require any input data preproccesing, we were able to train on one Intel i5-3210M processor only. Our classification approach is based on a combination of LSTM and ResNet. The network trained on a subset of NUDrive outperforms the ResNet and LSTM models trained solely by 35.9 % and 53.85 % accuracy respectively. We reach a final accuracy of 79.49 % on a 10-drivers subset of NUDrive and 96.90 % on a 5-drivers subset of UTDrive.
Abstract（参考訳）: 自動車キャビンにおけるアイデンティティ認識は、現在では重要な課題であり、インテリジェントカーのパーソナライズから、ドライバーの身体的および行動的ニーズへの適合、安全性と安全性の向上まで、幅広いアプリケーションを提供しています。しかし、公表されたアプローチの性能と適用性はシリーズ車両での使用には適しておらず、改善する必要がある。本稿では,時系列分類(tsc)とディープニューラルネットワークを用いたカーキャビンにおける人物識別について検討する。モデルへの入力にはガスとブレーキペダル圧を使用します。このデータは日常の運転時に容易に収集できる。我々の分類器はメモリ要件がほとんどなく、入力データの事前処理を必要としないため、Intel i5-3210Mプロセッサのみをトレーニングすることができた。我々の分類手法はLSTMとResNetの組み合わせに基づいている。 nudrive のサブセット上でトレーニングされたネットワークは、それぞれ 35.9 % と 53.85 % の精度でトレーニングされた resnet と lstm モデルを上回る。最終的な精度は、NUDriveの10ドライバサブセットで79.49%、UTDriveの5ドライバサブセットで96.90%に達する。

関連論文リスト

Cross-Camera Distracted Driver Classification through Feature Disentanglement and Contrastive Learning [13.613407983544427]
車両内のカメラ位置の変化に耐えられるような頑健なモデルを導入する。我々のドライバ行動監視ネットワーク(DBMNet)は軽量なバックボーンに依存し、アンタングルメントモジュールを統合する。 100-Driverデータセットの夜間および夜間のサブセットで行った実験は、我々のアプローチの有効性を検証した。
論文参考訳（メタデータ） (2024-11-20T10:27:12Z)
Knowledge Distillation Neural Network for Predicting Car-following Behaviour of Human-driven and Autonomous Vehicles [2.099922236065961]
本研究では,混合交通におけるHDV-AV,AV-HDV,HDV-HDVの自動車追従挙動について検討した。本稿では,車追従動作を速度的に予測するための,データ駆動型知識蒸留ニューラルネットワーク(KDNN)モデルを提案する。
論文参考訳（メタデータ） (2024-11-08T14:57:59Z)
MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文参考訳（メタデータ） (2024-06-23T15:30:40Z)
Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文参考訳（メタデータ） (2022-05-28T03:11:48Z)
A Computer Vision-Based Approach for Driver Distraction Recognition using Deep Learning and Genetic Algorithm Based Ensemble [1.8907108368038217]
携帯電話や他の無線機器が原因で道路の安全が危うくなる本研究の目的は,運転者の気晴らし分類問題の性能を向上させることにより,既存の運転姿勢認識技術を支援することである。本稿では,AlexNet,VGG-16,EfficientNet B0,Vanilla CNN,Modified DenseNet,InceptionV3+BiLSTMという,6つの独立したディープニューラルネットワークの遺伝的アルゴリズムに基づくアンサンブルを用いたアプローチを提案する。
論文参考訳（メタデータ） (2021-07-28T13:39:31Z)
Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文参考訳（メタデータ） (2021-04-23T17:59:28Z)
A Strong Baseline for Vehicle Re-Identification [1.9573380763700712]
vehicle re-idは、異なるカメラで同じ車両を識別することを目指している。本稿では、まず車両再ID性能を阻害する主な要因を分析します。次に、第5回AIチャレンジのトラック2をターゲットとしたソリューションを紹介します。
論文参考訳（メタデータ） (2021-04-22T03:54:55Z)
A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文参考訳（メタデータ） (2021-03-01T06:47:29Z)
Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification [8.007800530105191]
運転スタイルのための高忠実度表現を構築するために,D-CRNNと呼ばれるディープ・ニューラル・ネットワークアーキテクチャを提案する。 CNNを用いて、軌道からの運転行動の意味的パターンをキャプチャする。次に、RNNを用いて駆動スタイルをエンコードするこれらのセマンティックパターン間の時間的依存関係を見つけ出す。
論文参考訳（メタデータ） (2021-02-11T04:33:43Z)
Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文参考訳（メタデータ） (2020-12-15T03:03:38Z)
AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。