論文の概要: Learning to Estimate Driver Drowsiness from Car Acceleration Sensors using Weakly Labeled Data

• arxiv url: http://arxiv.org/abs/2005.05898v1
• Date: Tue, 12 May 2020 16:20:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 18:41:54.040011
• Title: Learning to Estimate Driver Drowsiness from Car Acceleration Sensors using Weakly Labeled Data
• Title（参考訳）: 弱ラベルデータを用いた車載加速度センサによる運転者の眠気推定の学習
• Authors: Takayuki Katsuki, Kun Zhao, Takayuki Yoshizumi
• Abstract要約: 本稿では,自動車加速度センサの信号から運転者の眠気を推定する学習課題について述べる。 弱い教師付き学習としてタスクを定式化します。各タイムスタンプにラベルを追加するだけで、すべてのタイムスタンプを独立して追加する必要はありません。
• 参考スコア（独自算出の注目度）: 6.629731168178681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the learning task of estimating driver drowsiness from the signals of car acceleration sensors. Since even drivers themselves cannot perceive their own drowsiness in a timely manner unless they use burdensome invasive sensors, obtaining labeled training data for each timestamp is not a realistic goal. To deal with this difficulty, we formulate the task as a weakly supervised learning. We only need to add labels for each complete trip, not for every timestamp independently. By assuming that some aspects of driver drowsiness increase over time due to tiredness, we formulate an algorithm that can learn from such weakly labeled data. We derive a scalable stochastic optimization method as a way of implementing the algorithm. Numerical experiments on real driving datasets demonstrate the advantages of our algorithm against baseline methods.
• Abstract（参考訳）: 本稿では,自動車加速度センサの信号からドライバの眠気を推定する学習課題について述べる。 ドライバー自身でさえ、負担のかかる侵襲的センサーを使用しない限り、自分の眠気をタイムリーに認識できないため、タイムスタンプごとにラベル付きトレーニングデータを取得することは現実的な目標ではない。 この困難に対処するために、我々はタスクを弱い教師付き学習として定式化する。 タイムスタンプごとにラベルを追加する必要はなく、タイムスタンプ毎にラベルを追加する必要もあります。 疲れた運転者の眠気のいくつかの側面が時間とともに増加すると仮定することで、そのような弱いラベル付きデータから学習できるアルゴリズムを定式化する。 アルゴリズムの実装方法として,スケーラブルな確率最適化手法を導出する。 実走行データセットの数値実験は,ベースライン法に対するアルゴリズムの利点を示す。

関連論文リスト

• Learning 3D Perception from Others' Predictions [64.09115694891679]
  本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。 例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
  論文  参考訳（メタデータ） (2024-10-03T16:31:28Z)
• Federated Learning for Drowsiness Detection in Connected Vehicles [0.19116784879310028]
  ドライバー監視システムは、ドライバーの状態を決定するのを助けることができる。 ドライバーの眠気検出は潜在的な解決策を示す。 モデルトレーニングのためにデータを中央マシンに送信するのは、大規模なデータサイズとプライバシの懸念のため、現実的ではありません。 本稿では,YawDDデータセットを活用して,車両ネットワーク内での眠気検出のためのフェデレート学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-06T09:39:13Z)
• 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)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• A System-driven Automatic Ground Truth Generation Method for DL Inner-City Driving Corridor Detectors [0.0]
  乾燥可能なエゴ回廊のセマンティックセグメンテーションのための自動ラベリング手法を提案する。 提案した全体論的アプローチは、自動データループで使用することができ、依存する知覚モジュールを継続的に改善することができる。
  論文  参考訳（メタデータ） (2022-07-20T12:55:16Z)
• A Machine Learning Smartphone-based Sensing for Driver Behavior Classification [1.552282932199974]
  我々は,速度,加速度,方向,3軸回転角(ヨー,ピッチ,ロール)を用いて運転者の動作を分類するために,スマートフォンで利用可能なデータセンサ(加速度計,ジャイロスコープ,GPS)を収集することを提案する。 第2に、複数のセンサからの軸間データを単一のファイルに融合した後、時系列分類のための異なる機械学習アルゴリズムを探索し、どのアルゴリズムが最も性能が高いかを評価する。
  論文  参考訳（メタデータ） (2022-02-01T10:12:36Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Deep Learning Approach for Aggressive Driving Behaviour Detection [1.933681537640272]
  この研究は、異なる状況(ラッシュ、精神的衝突、報復)のドライバーが攻撃的に運転し始めるときのタイムステップを特定する。 積極的運転の機会を発見するためには、運転行動を調べるために観察者(現実または仮想)が必要である。 スマートフォンのGPSセンサーを使って位置を検出し,運転者の運転行動を3分毎に分類することで,この問題を克服する。
  論文  参考訳（メタデータ） (2021-11-08T20:06:16Z)
• Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
  Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2021-02-10T03:09:13Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Universal Embeddings for Spatio-Temporal Tagging of Self-Driving Logs [72.67604044776662]
  我々は、生のセンサデータから、自動運転シーンの時間的タグ付けの問題に取り組む。 提案手法では,全てのタグに対する普遍的な埋め込みを学習し,多くの属性を効率的にタグ付けし,限られたデータで新しい属性を高速に学習する。
  論文  参考訳（メタデータ） (2020-11-12T02:18:16Z)

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。