論文の概要: Data Augmentation of IMU Signals and Evaluation via a Semi-Supervised
Classification of Driving Behavior
- arxiv url: http://arxiv.org/abs/2006.09267v1
- Date: Tue, 16 Jun 2020 15:49:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 21:42:53.132987
- Title: Data Augmentation of IMU Signals and Evaluation via a Semi-Supervised
Classification of Driving Behavior
- Title(参考訳): IMU信号のデータ拡張と運転行動の半教師付き分類による評価
- Authors: Amani Jaafer and Gustav Nilsson and Giacomo Como
- Abstract要約: 本研究では,運転者が積極的・正常に運転しているかに応じて,旅行の一部を分類する半教師付き学習ソリューションを提案する。
その結果, RCGAN を用いたラベル付きデータを用いて, 運転者の分類を79%で改善した。
- 参考スコア(独自算出の注目度): 4.640835690336653
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the past years, interest in classifying drivers' behavior from data has
surged. Such interest is particularly relevant for car insurance companies who,
due to privacy constraints, often only have access to data from Inertial
Measurement Units (IMU) or similar. In this paper, we present a semi-supervised
learning solution to classify portions of trips according to whether drivers
are driving aggressively or normally based on such IMU data. Since the amount
of labeled IMU data is limited and costly to generate, we utilize Recurrent
Conditional Generative Adversarial Networks (RCGAN) to generate more labeled
data. Our results show that, by utilizing RCGAN-generated labeled data, the
classification of the drivers is improved in 79% of the cases, compared to when
the drivers are classified with no generated data.
- Abstract(参考訳): 過去数年間、データからドライバーの行動を分類する関心が高まっている。
このような関心は、プライバシの制約により、慣性測定ユニット(IMU)などのデータへのアクセスしかできない自動車保険会社に特に関係している。
本稿では,運転者が積極的に運転しているか,あるいは通常のIMUデータに基づいて運転しているかに応じて,旅行の一部を分類する半教師付き学習ソリューションを提案する。
ラベル付きIMUデータの量は限られてコストがかかるため,Recurrent Conditional Generative Adversarial Networks (RCGAN) を用いてラベル付きデータを生成する。
以上の結果から,rcganが生成したラベル付きデータを利用することで,ドライバの分類が79%で改善されることがわかった。
関連論文リスト
- Exploiting T-norms for Deep Learning in Autonomous Driving [60.205021207641174]
自律運転におけるイベント検出のタスクにおいて,メモリ効率のよいtノルムに基づく損失をどうやって定義できるかを示す。
論文 参考訳(メタデータ) (2024-02-17T18:51:21Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-13T23:06:30Z) - Anomalous Behavior Detection in Trajectory Data of Older Drivers [0.8426358786287627]
本稿では,時間的詳細トラジェクトリデータセットの重要な特性を表現できるエッジ属性行列を提案する。
実世界のデータセットを用いた実験により,本手法は異常運転行動を認識することを示した。
論文 参考訳(メタデータ) (2023-11-29T17:22:28Z) - OpenDriver: an open-road driver state detection dataset [5.000272778136267]
道路安全はドライバーの心理的および生理的状態に大きく依存する。
ウェアラブル生理測定は、ドライバーの状態を監視するためのリアルタイムアプローチである。
本稿では,ドライバ障害検出と生体データ認識のための大規模マルチモーダル駆動データセットを提案する。
論文 参考訳(メタデータ) (2023-04-09T10:08:38Z) - Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。
本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。
本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
論文 参考訳(メタデータ) (2022-05-31T10:35:55Z) - Unsupervised Driving Behavior Analysis using Representation Learning and
Exploiting Group-based Training [15.355045011160804]
運転行動監視は、道路安全の管理と交通事故のリスク低減に重要な役割を果たしている。
現在の研究は、駆動パターンの変動を捉えて、堅牢な駆動パターン解析を行う。
時系列の圧縮表現を学習することで一貫した群を形成する。
論文 参考訳(メタデータ) (2022-05-12T10:27:47Z) - Driving Anomaly Detection Using Conditional Generative Adversarial
Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。
この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。
結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文 参考訳(メタデータ) (2022-03-15T22:10:01Z) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳(メタデータ) (2021-06-21T12:28:08Z) - ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for
Semi-supervised Continual Learning [52.831894583501395]
連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。
我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。
ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
論文 参考訳(メタデータ) (2021-01-02T09:04:14Z) - Cost-sensitive Multi-class AdaBoost for Understanding Driving Behavior
with Telematics [1.4502611532302039]
保険会社は、走行距離、ドライバーのブレーキの仕方、加速や回転の仕方、週毎の走行頻度など、幅広いデータをキャプチャできる。
このような追加情報は、保険会社が利用ベース保険(UBI)のリスクアセスメントを改善するのに役立つ。
本稿では,クレーム頻度をより正確に予測するために,テレマティクス情報を統合する方法について検討する。
論文 参考訳(メタデータ) (2020-07-06T22:26:56Z) - Classify and Generate Reciprocally: Simultaneous Positive-Unlabelled
Learning and Conditional Generation with Extra Data [77.31213472792088]
クラスラベルデータの不足は、多くの機械学習問題において、ユビキタスなボトルネックとなっている。
本稿では, 正負ラベル付き(PU)分類と, 余分なラベル付きデータによる条件生成を活用することで, この問題に対処する。
本稿では,PU分類と条件生成を併用した新たなトレーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-14T08:27:40Z)
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。