Fugu-MT 論文翻訳(概要): On the safety of vulnerable road users by cyclist orientation detection using Deep Learning

論文の概要: On the safety of vulnerable road users by cyclist orientation detection using Deep Learning

arxiv url: http://arxiv.org/abs/2004.11909v1
Date: Sat, 25 Apr 2020 18:10:26 GMT
ステータス: 処理完了
システム内更新日: 2022-12-09 21:07:10.288184
Title: On the safety of vulnerable road users by cyclist orientation detection using Deep Learning
Title（参考訳）: ディープラーニングを用いた自転車の方向検出による道路利用者の安全
Authors: Marichelo Garcia-Venegas, Diego A. Mercado-Ravell and Carlos A. Carballo-Monsivais
Abstract要約: サイクリストの方向性を知ることは、将来の軌道についての優れた概念を提供するため、非常に関連性が高い。本稿では,本論文で報告されている主アルゴリズムのオブジェクト検出における性能比較について述べる。向きに応じて8つの異なるクラスを持つマルチクラス検出を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, orientation detection using Deep Learning is acknowledged for a particularly vulnerable class of road users,the cyclists. Knowing the cyclists' orientation is of great relevance since it provides a good notion about their future trajectory, which is crucial to avoid accidents in the context of intelligent transportation systems. Using Transfer Learning with pre-trained models and TensorFlow, we present a performance comparison between the main algorithms reported in the literature for object detection,such as SSD, Faster R-CNN and R-FCN along with MobilenetV2, InceptionV2, ResNet50, ResNet101 feature extractors. Moreover, we propose multi-class detection with eight different classes according to orientations. To do so, we introduce a new dataset called "Detect-Bike", containing 20,229 cyclist instances over 11,103 images, which has been labeled based on cyclist's orientation. Then, the same Deep Learning methods used for detection are trained to determine the target's heading. Our experimental results and vast evaluation showed satisfactory performance of all of the studied methods for the cyclists and their orientation detection, especially using Faster R-CNN with ResNet50 proved to be precise but significantly slower. Meanwhile, SSD using InceptionV2 provided good trade-off between precision and execution time, and is to be preferred for real-time embedded applications.
Abstract（参考訳）: この研究では、特に脆弱な道路利用者(サイクリスト)に対して、ディープラーニングを用いた方向検出が認められている。サイクリストの方向性を知ることは、その将来の軌道についての優れた概念を提供するため、インテリジェントな交通システムという文脈で事故を避けるために不可欠である。本稿では,事前学習モデルとtensorflowを用いた転送学習を用いて,ssd,高速なr-cnn,r-fcn,mobilenetv2,inceptionv2,resnet50,resnet101機能抽出器など,オブジェクト検出の文献で報告されている主なアルゴリズムの性能比較を行う。さらに,向きに応じて8つの異なるクラスを含むマルチクラス検出を提案する。そこで我々は,11,103枚の画像上に20,229件のサイクリストインスタンスを含む"Detect-Bike"という新しいデータセットを紹介した。次に、検出に使用するのと同じDeep Learningメソッドをトレーニングして、ターゲットの向きを決定する。 resnet50を用いた高速r-cnnを用いた実験の結果, 実験結果と広範囲な評価により, 自転車の姿勢検出, 特に高速r-cnnの精度は向上したが, 速度は著しく低下した。一方、InceptionV2を使用したSSDは、精度と実行時間の間に良好なトレードオフを提供し、リアルタイム組み込みアプリケーションに好まれる。

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)
Real-Time Driver Monitoring Systems through Modality and View Analysis [28.18784311981388]
ドライバーの気晴らしが道路事故の主要な原因であることが知られている。 State-of-the-artメソッドはレイテンシを無視しながら精度を優先する。本稿では,ビデオフレーム間の時間的関係を無視した時間効率な検出モデルを提案する。
論文参考訳（メタデータ） (2022-10-17T21:22:41Z)
NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
論文参考訳（メタデータ） (2022-09-29T01:30:34Z)
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文参考訳（メタデータ） (2022-06-03T23:55:45Z)
Automatic Extraction of Road Networks from Satellite Images by using Adaptive Structural Deep Belief Network [0.0]
本研究では,ロードトラッカーと呼ばれる道路網の自動認識手法に適用する。 RoadTracerは航空写真データから地上の道路地図を生成することができる。精度と計算時間を改善するため,我々のAdaptive DBNはCNNの代わりにRoadTracer上に実装された。
論文参考訳（メタデータ） (2021-10-25T07:06:10Z)
Oriented R-CNN for Object Detection [61.78746189807462]
本研究では、オブジェクト指向R-CNNと呼ばれる、効果的でシンプルなオブジェクト指向オブジェクト検出フレームワークを提案する。第1段階では,高品質な指向型提案をほぼ無償で直接生成する指向型領域提案ネットワーク(指向RPN)を提案する。第2段階は、R-CNNヘッダーで、興味のある領域(オブジェクト指向のRoI)を精製し、認識する。
論文参考訳（メタデータ） (2021-08-12T12:47:43Z)
WiP Abstract : Robust Out-of-distribution Motion Detection and Localization in Autonomous CPS [3.464656011246703]
ディープラーニングのための堅牢なアウト・オブ・ディストリビューション(OOD)検出フレームワークを提案する。提案手法は,従来の光学フロー操作と表現学習を組み合わせることで,リアルタイムに動画の駆動から異常な動きを検出する。運転シミュレーションデータセットの評価は,本手法が関連する研究よりも統計的に頑健であることを示している。
論文参考訳（メタデータ） (2021-07-25T06:20:05Z)
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)
Traffic Signs Detection and Recognition System using Deep Learning [0.0]
本稿では,交通標識をリアルタイムに検出・認識するためのアプローチについて述べる。マルチオブジェクト検出システムの最先端技術を用いて,交通信号検出問題に取り組む。この論文の焦点は、F-RCNN Inception v2とTiny YOLO v2が最高の結果を得たときのものである。
論文参考訳（メタデータ） (2020-03-06T14:54:40Z)
Temporal Pulses Driven Spiking Neural Network for Fast Object Recognition in Autonomous Driving [65.36115045035903]
スパイキングニューラルネットワーク(SNN)を用いた生時間パルスで直接物体認識問題に対処する手法を提案する。各種データセットを用いて評価した結果,提案手法は最先端の手法に匹敵する性能を示しながら,優れた時間効率を実現している。
論文参考訳（メタデータ） (2020-01-24T22:58:55Z)
Deep Learning based Pedestrian Inertial Navigation: Methods, Dataset and On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文参考訳（メタデータ） (2020-01-13T04:41:54Z)

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。