論文の概要: Heatmap-Based Method for Estimating Drivers' Cognitive Distraction
- arxiv url: http://arxiv.org/abs/2005.14136v2
- Date: Sat, 31 Oct 2020 16:47:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 06:04:49.959343
- Title: Heatmap-Based Method for Estimating Drivers' Cognitive Distraction
- Title（参考訳）: ヒートマップに基づくドライバの認知的歪み推定法
- Authors: Antonyo Musabini, Mounsif Chetitah
- Abstract要約: 本研究では,認知過程がドライバの視線行動に与える影響について検討した。
認知的注意散らしを推定するために,ドライバの視線分散の新たなイメージベース表現を提案する。
- 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 order to increase road safety, among the visual and manual distractions,
modern intelligent vehicles need also to detect cognitive distracted driving
(i.e., the drivers mind wandering). In this study, the influence of cognitive
processes on the drivers gaze behavior is explored. A novel image-based
representation of the driver's eye-gaze dispersion is proposed to estimate
cognitive distraction. Data are collected on open highway roads, with a
tailored protocol to create cognitive distraction. The visual difference of
created shapes shows that a driver explores a wider area in neutral driving
compared to distracted driving. Thus, support vector machine (SVM)-based
classifiers are trained, and 85.2% of accuracy is achieved for a two-class
problem, even with a small dataset. Thus, the proposed method has the
discriminative power to recognize cognitive distraction using gaze information.
Finally, this work details how this image-based representation could be useful
for other cases of distracted driving detection.
- Abstract（参考訳）: 道路の安全性を高めるために、視覚的および手動的な注意散らしの中で、現代のインテリジェントな車両は認知的な注意散らばった運転(つまり運転者の気遣い)を検出する必要がある。
本研究では,認知過程がドライバの視線行動に及ぼす影響について検討した。
認知的障害を推定するために,ドライバの視線分散のイメージベース表現を提案する。
データは高速道路の公道で収集され、認知的注意をそらすためのプロトコルが組み込まれている。
生成された形状の視覚的な違いは、ドライバーが中性運転の広い領域を探索することを示している。
これにより、サポートベクトルマシン(SVM)ベースの分類器が訓練され、小さなデータセットであっても、2クラス問題に対して85.2%の精度が達成される。
そこで,本提案手法は,視線情報を用いて認識障害を認識する識別能力を有する。
最後に、この画像に基づく表現が、注意をそらした運転検出の他のケースにどのように役立つかを詳述する。
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) - Towards Infusing Auxiliary Knowledge for Distracted Driver Detection [11.816566371802802]
引き離された運転は世界中の道路事故の主要な原因である。
シーン内のエンティティ間の意味的関係とドライバのポーズの構造的構成に関する補助的知識を注入することで,運転者検出(DDD)の新たな手法であるKiD3を提案する。
具体的には、シーングラフを統合した統合フレームワークを構築し、ドライバが映像フレーム内の視覚的手がかりと情報を合成し、ドライバの行動の全体像を作成する。
論文 参考訳（メタデータ） (2024-08-29T15:28:42Z) - Masked EEG Modeling for Driving Intention Prediction [27.606175591082756]
本稿では,BCI支援運転における新たな研究方向を開拓し,運転意図に関連する神経パターンについて検討する。
本研究では,左旋回,右旋回,ストレート進行といった人間の運転意図を予測する新しい脳波モデリングフレームワークを提案する。
本モデルでは, 運転意図予測時に85.19%の精度を達成し, 交通事故の軽減に期待できる可能性を示した。
論文 参考訳（メタデータ） (2024-08-08T03:49:05Z) - Improving automatic detection of driver fatigue and distraction using
machine learning [0.0]
運転者の疲労と注意をそらした運転は交通事故の重要な要因である。
本稿では,視覚に基づくアプローチと機械学習に基づくアプローチを用いて,疲労と注意をそらした運転行動の同時検出手法を提案する。
論文 参考訳（メタデータ） (2024-01-04T06:33:46Z) - On the Forces of Driver Distraction: Explainable Predictions for the
Visual Demand of In-Vehicle Touchscreen Interactions [5.375634674639956]
車載タッチスクリーンHuman-Machine Interfaces(HMI)は、可能な限り気を散らさなければならない。
本稿では,車内タッチスクリーン相互作用の視覚的要求を予測する機械学習手法を提案する。
論文 参考訳（メタデータ） (2023-01-05T13:50:26Z) - Perspective Aware Road Obstacle Detection [104.57322421897769]
道路障害物検出技術は,車間距離が大きくなるにつれて障害物の見かけの規模が減少するという事実を無視することを示す。
画像位置毎に仮想物体の見かけの大きさを符号化したスケールマップを演算することでこれを活用できる。
次に、この視点マップを利用して、遠近法に対応する大きさの道路合成物体に注入することで、トレーニングデータを生成する。
論文 参考訳（メタデータ） (2022-10-04T17:48:42Z) - Drivers' attention detection: a systematic literature review [62.997667081978825]
多くの要因が運転中の注意散らしに寄与しうるが、それは物体や事象が生理的状態、つまり眠気や疲労に結びつくためであり、運転者が注意をそらすことができないからである。
技術進歩により、現実の状況における注意を検知する多くのソリューションの開発と応用が可能となった。
本研究は,車輪の運転者の注意を検知するための方法と基準について,システマティック文献レビュー(Systematic Literature Review)を提示する。
論文 参考訳（メタデータ） (2022-04-06T11:36:40Z) - An active approach towards monitoring and enhancing drivers'
capabilities -- the ADAM cogtec solution [1.0312968200748118]
特定の瞬間における運転者の認知能力は、運転者の安全性を評価する上で最も明白な変数である。
視覚刺激に対するドライバーの眼反応が記録された閉ループ法を開発した。
機械学習アルゴリズムは、警戒状態の眼反応に基づいて訓練され、疲労や物質乱用による能力低下を検出することができた。
論文 参考訳（メタデータ） (2022-04-05T07:46:07Z) - BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in
Unstructured Driving Environments [54.22535063244038]
非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。
本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
論文 参考訳（メタデータ） (2020-09-22T08:25:44Z) - 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) - Driver Intention Anticipation Based on In-Cabin and Driving Scene
Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。
本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文 参考訳（メタデータ） (2020-06-20T11:56:32Z)
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。