論文の概要: DriftNet: Aggressive Driving Behavior Classification using 3D EfficientNet Architecture

• arxiv url: http://arxiv.org/abs/2004.11970v1
• Date: Sat, 18 Apr 2020 08:36:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 05:45:58.729845
• Title: DriftNet: Aggressive Driving Behavior Classification using 3D EfficientNet Architecture
• Title（参考訳）: driftnet: 3d efficientnet アーキテクチャを用いた積極的な運転行動分類
• Authors: Alam Noor, Bilel Benjdira, Adel Ammar, Anis Koubaa
• Abstract要約: アグレッシブ・ドリフト(Aggressive driving, 自動車のドリフト)は、人間の安全と生命を重大な危険に晒す危険な行動である。 ディープラーニングの最近の技術は、異なる文脈における異常検出のための新しいアプローチを提案した。 本稿では,アグレッシブな運転行動の検出に応用した新しい異常検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.8734449181723827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Aggressive driving (i.e., car drifting) is a dangerous behavior that puts human safety and life into a significant risk. This behavior is considered as an anomaly concerning the regular traffic in public transportation roads. Recent techniques in deep learning proposed new approaches for anomaly detection in different contexts such as pedestrian monitoring, street fighting, and threat detection. In this paper, we propose a new anomaly detection framework applied to the detection of aggressive driving behavior. Our contribution consists in the development of a 3D neural network architecture, based on the state-of-the-art EfficientNet 2D image classifier, for the aggressive driving detection in videos. We propose an EfficientNet3D CNN feature extractor for video analysis, and we compare it with existing feature extractors. We also created a dataset of car drifting in Saudi Arabian context https://www.youtube.com/watch?v=vLzgye1-d1k . To the best of our knowledge, this is the first work that addresses the problem of aggressive driving behavior using deep learning.
• Abstract（参考訳）: 攻撃的な運転(すなわち自動車の漂流)は、人間の安全と生命を重大な危険に晒す危険な行動である。 この行動は、公共交通機関の定期交通に関する異常と見なされている。 近年のディープラーニング技術では、歩行者監視、ストリートファイト、脅威検出など、さまざまな状況下での異常検出の新しいアプローチが提案されている。 本稿では,攻撃的運転行動の検出に応用した新しい異常検出フレームワークを提案する。 我々の貢献は、ビデオにおけるアグレッシブな駆動検出のための最先端のEfficientNet 2D画像分類器に基づく3Dニューラルネットワークアーキテクチャの開発である。 本稿では,映像解析のための効率的なNet3D CNN特徴抽出器を提案し,既存の特徴抽出器と比較する。 また、サウジアラビアの文脈で車のドリフトのデータセットも作成しました。 v=vLzgye1-d1k。 私たちの知る限りでは、ディープラーニングを用いた積極的運転行動の問題に対処する最初の研究である。

関連論文リスト

• Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
  車線検出は自律運転認識システムにおいて重要な役割を果たす。 ディープラーニングアルゴリズムが普及するにつれて、ディープラーニングに基づく単眼車線検出手法が優れた性能を示した。 本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
  論文  参考訳（メタデータ） (2024-11-25T12:09:43Z)
• Detection of Object Throwing Behavior in Surveillance Videos [8.841708075914353]
  本稿では,ディープラーニングを用いた監視ビデオにおける投球行動検出手法を提案する。 Smart Cityプロジェクトのユースケースに対処するために、私たちはまず、新しいパブリックな"Throwing Action"データセットを生成します。 UCF-CrimeおよびThrowing-Actionデータセットにおける異常検出のための特徴抽出器の性能の比較を行った。
  論文  参考訳（メタデータ） (2024-03-11T09:53:19Z)
• 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)
• Toward Extremely Lightweight Distracted Driver Recognition With Distillation-Based Neural Architecture Search and Knowledge Transfer [31.370334608784546]
  交通事故は、注意を運転から遠ざける不注意なドライバーによって引き起こされる。 多くの研究者が、ダッシュカムから逸脱した運転を認識するためにCNNベースのアルゴリズムを開発した。 現在のモデルにはパラメータが多すぎるため、車載コンピューティングでは不可能である。 本研究は, この問題を解決するための知識蒸留に基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-09T09:39:59Z)
• 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)
• Monocular Vision-based Prediction of Cut-in Maneuvers with LSTM Networks [0.0]
  本研究では,エゴレーンで発生する潜在的に危険なカットイン動作を予測する手法を提案する。 我々は、1台の車載RGBカメラのみを使用するコンピュータビジョンベースのアプローチに従う。 本アルゴリズムは,CNNに基づく車両検出・追跡ステップとLSTMに基づく操縦分類ステップから構成される。
  論文  参考訳（メタデータ） (2022-03-21T02:30:36Z)
• Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
  ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。 対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
  論文  参考訳（メタデータ） (2021-03-26T01:18:11Z)
• 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)
• Learning Accurate and Human-Like Driving using Semantic Maps and Attention [152.48143666881418]
  本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。 HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。 私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
  論文  参考訳（メタデータ） (2020-07-10T22:25:27Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

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。