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
- Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - 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) - SeqNet: An Efficient Neural Network for Automatic Malware Detection [5.365259648024797]
生のバイナリに必要となる低メモリで高速にトレーニング可能な,SeqNetと呼ばれる軽量なマルウェア検出モデルを提案する。
コンテキストの混乱を避け、セマンティックロスを減らすことで、SeqNetはパラメータの数をわずか136Kに減らす際に検出精度を維持する。
論文 参考訳(メタデータ) (2022-05-08T12:31:35Z) - 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) - LaNet: Real-time Lane Identification by Learning Road
SurfaceCharacteristics from Accelerometer Data [12.334058883768977]
我々は,車線車両が乗っている車線を周期的に分類し,LSTMニューラルネットワークモデルであるLaNetを開発した。
LaNetは、路面イベント(バンプ、ひび割れなど)のレーン固有のシーケンスを学習し、200mの運転データで100%レーン分類精度を得る。
論文 参考訳(メタデータ) (2020-04-06T17:09:50Z) - 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。