論文の概要: Improved YOLOv3 Object Classification in Intelligent Transportation System

• arxiv url: http://arxiv.org/abs/2004.03948v1
• Date: Wed, 8 Apr 2020 11:45:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 09:13:14.565644
• Title: Improved YOLOv3 Object Classification in Intelligent Transportation System
• Title（参考訳）: インテリジェントトランスポートシステムにおけるYOLOv3オブジェクト分類の改善
• Authors: Yang Zhang, Changhui Hu, Xiaobo Lu
• Abstract要約: 高速道路における車両・運転者・人の検出・分類を実現するために, YOLOv3に基づくアルゴリズムを提案する。 モデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑丈である。
• 参考スコア（独自算出の注目度）: 29.002873450422083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The technology of vehicle and driver detection in Intelligent Transportation System(ITS) is a hot topic in recent years. In particular, the driver detection is still a challenging problem which is conductive to supervising traffic order and maintaining public safety. In this paper, an algorithm based on YOLOv3 is proposed to realize the detection and classification of vehicles, drivers, and people on the highway, so as to achieve the purpose of distinguishing driver and passenger and form a one-to-one correspondence between vehicles and drivers. The proposed model and contrast experiment are conducted on our self-build traffic driver's face database. The effectiveness of our proposed algorithm is validated by extensive experiments and verified under various complex highway conditions. Compared with other advanced vehicle and driver detection technologies, the model has a good performance and is robust to road blocking, different attitudes, and extreme lighting.
• Abstract（参考訳）: インテリジェントトランスポーテーションシステム(ITS)における車両・運転者検出技術は近年ホットな話題となっている。 特に、ドライバー検出は依然として困難な問題であり、交通秩序を監督し、公共の安全を維持するための導電性がある。 本稿では, 道路上の車両, ドライバー, および人々の検出と分類を実現するため, 運転者と乗客を識別し, 車両と運転者の1対1対応を形成するために, ヨロフ3に基づくアルゴリズムを提案する。 提案したモデルとコントラスト実験は,自走運転者の顔データベース上で行った。 提案アルゴリズムの有効性は広範な実験により検証され,様々な複雑な高速道路条件下で検証される。 他の先進的な車両やドライバー検出技術と比較すると、このモデルは優れた性能を持ち、道路遮断、異なる姿勢、極端な照明に頑健である。

関連論文リスト

• Towards Safe Autonomy in Hybrid Traffic: Detecting Unpredictable Abnormal Behaviors of Human Drivers via Information Sharing [21.979007506007733]
  提案アルゴリズムは高速道路と都市交通の両方において優れた検出性能を有することを示す。 最高の性能は97.3%、平均検出遅延1.2、誤警報0である。
  論文  参考訳（メタデータ） (2023-08-23T18:24:28Z)
• Detecting Socially Abnormal Highway Driving Behaviors via Recurrent Graph Attention Networks [4.526932450666445]
  本研究は,ハイウェイビデオ監視システムによる軌跡から異常運転行動を検出することに焦点を当てる。 本稿では,周囲の車上での走行動作を文脈的に把握できるリカレントグラフ注意ネットワークを用いたオートエンコーダを提案する。 私たちのモデルは何千もの車で大きな高速道路にスケーラブルです。
  論文  参考訳（メタデータ） (2023-04-23T01:32:47Z)
• Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
  本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。 両センサと融合に関する概念と特徴を提示する。 本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
  論文  参考訳（メタデータ） (2023-03-08T00:48:32Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
  非客観的運転経験はモデル化が難しい。 本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。 インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• Threat Detection In Self-Driving Vehicles Using Computer Vision [0.0]
  ダッシュカムビデオを用いた自動運転車の脅威検出機構を提案する。 オブジェクトを識別するためのYOLO,高度な車線検出アルゴリズム,カメラからの距離を測定するマルチレグレッションモデルという,4つの主要なコンポーネントがある。 提案した脅威検出モデル(TDM)の最終的な精度は82.65%である。
  論文  参考訳（メタデータ） (2022-09-06T12:01:07Z)
• Vision Transformers and YoloV5 based Driver Drowsiness Detection Framework [0.0]
  本稿では,視覚変換器とヨーロV5アーキテクチャをベースとした,ドライバの眠気認識のための新しいフレームワークを提案する。 関心領域抽出を目的とした顔抽出のためのヨロV5事前学習アーキテクチャを提案する。 さらなる評価のために、提案されたフレームワークは、様々な光環境における39人の参加者のカスタムデータセットでテストされ、95.5%の精度を達成した。
  論文  参考訳（メタデータ） (2022-09-03T11:37:41Z)
• COOPERNAUT: End-to-End Driving with Cooperative Perception for Networked Vehicles [54.61668577827041]
  本稿では,車間認識を用いたエンドツーエンド学習モデルであるCOOPERNAUTを紹介する。 われわれのAutoCastSim実験は、我々の協調知覚駆動モデルが平均成功率を40%向上させることを示唆している。
  論文  参考訳（メタデータ） (2022-05-04T17:55:12Z)
• Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
  本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。 既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。 私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
  論文  参考訳（メタデータ） (2021-09-03T13:33:33Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Mining Personalized Climate Preferences for Assistant Driving [1.6752182911522522]
  本研究では,運転者の日常運転において,運転者の嗜好に合った環境制御,運転行動認識,運転推奨のための新しいアプローチを提案する。 iOSアプリと空気質監視センサを備えたクライアントサーバアーキテクチャを用いたプロトタイプが開発されている。 世界中の複数の都市で11,370km(320時間)の運転データに関する実世界実験が行われた。
  論文  参考訳（メタデータ） (2020-06-16T00:45:08Z)

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。