論文の概要: Framework for Passenger Seat Availability Using Face Detection in Passenger Bus

• arxiv url: http://arxiv.org/abs/2007.05906v1
• Date: Sun, 12 Jul 2020 04:31:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 05:29:29.305150
• Title: Framework for Passenger Seat Availability Using Face Detection in Passenger Bus
• Title（参考訳）: バスの顔検出による乗車席利用の枠組み
• Authors: Khawar Islam, Uzma Afzal
• Abstract要約: バスの乗客は依然としてバス待ちや座席の問題に直面しており、交通管理や規制当局に悪影響を及ぼしている。 本研究では,背景の減算に基づいて,空席,満席,全席数をカウントする顔検出によるカメラ付きバスを提案する。 当社の結果は、交通管理の懸念に対処し、乗客が貴重な時間を節約できるよう支援する可能性があると信じています。
• 参考スコア（独自算出の注目度）: 1.90365714903665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advancements in Intelligent Transportation System (IES) improve passenger traveling by providing information systems for bus arrival time and counting the number of passengers and buses in cities. Passengers still face bus waiting and seat unavailability issues which have adverse effects on traffic management and controlling authority. We propose a Face Detection based Framework (FDF) to determine passenger seat availability in a camera-equipped bus through face detection which is based on background subtraction to count empty, filled, and total seats. FDF has an integrated smartphone Passenger Application (PA) to identify the nearest bus stop. We evaluate FDF in a live test environment and results show that it gives 90% accuracy. We believe our results have the potential to address traffic management concerns and assist passengers to save their valuable time
• Abstract（参考訳）: インテリジェントトランスポーテーションシステム(IES)の進歩は、バス到着時刻の情報システムを提供し、市内の乗客やバスの数を数えることで、乗客の移動を改善する。 乗客は依然としてバス待ちと座席不利用の問題に直面しており、交通管理や規制当局に悪影響を及ぼしている。 本研究では,カメラ付きバスにおいて,空席,満席,総座席数を数えるための背景減算に基づく顔検出により乗客席の可否を判定するための顔検出フレームワーク(fdf)を提案する。 FDFは、最も近いバス停を特定するために、統合されたスマートフォン利用者アプリケーション(PA)を備えている。 実地試験環境においてFDFを評価した結果,90%の精度が得られた。 私たちの結果は、交通管理の懸念に対処し、乗客の貴重な時間を節約する可能性を秘めています。

関連論文リスト

• Real-Time Bus Departure Prediction Using Neural Networks for Smart IoT Public Bus Transit [1.9922905420195371]
  本稿では,スマートIoTパブリックトランジットアプリケーションに適した,リアルタイムバス出発時刻予測のためのニューラルネットワークによるアプローチを提案する。 我々は、AI駆動モデルを活用して、データ前処理によるバススケジュールの精度を向上させる。 提案手法は,バス路線151路線で評価され,80秒未満の精度で出発時刻のずれを予測し,大幅な改善を示した。
  論文  参考訳（メタデータ） (2025-01-17T19:21:51Z)
• GARLIC: GPT-Augmented Reinforcement Learning with Intelligent Control for Vehicle Dispatching [81.82487256783674]
  GARLIC: GPT拡張強化学習のフレームワーク。 本稿では,GPT強化強化学習とインテリジェント制御のフレームワークであるGARLICについて紹介する。
  論文  参考訳（メタデータ） (2024-08-19T08:23:38Z)
• Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
  On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。 我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
  論文  参考訳（メタデータ） (2024-06-30T04:21:46Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• Real-Time Bus Arrival Prediction: A Deep Learning Approach for Enhanced Urban Mobility [2.1374208474242815]
  一般的な課題は、実際のバス到着時刻と予定された時刻とのミスマッチであり、固定されたスケジュールの混乱につながる。 本研究は,様々な交通機関(駅)におけるバス到着時刻を予測するための,革新的なAIに基づくデータ駆動手法を提案する。 完全に接続されたニューラルネットワークの展開により,公共バスの交通システムの精度と効率が向上する。
  論文  参考訳（メタデータ） (2023-03-27T16:45:22Z)
• Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
  フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。 制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。 速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
  論文  参考訳（メタデータ） (2023-03-21T22:55:51Z)
• Crowd-sensing commuting patterns using multi-source wireless data: a case of Helsinki commuter trains [1.0323063834827415]
  本稿では,従来の自動乗客計数器と,詳細な移動需要データを収集できる新たな情報源の組み合わせについて検討する。 この新たなデータソースは、ヘルシンキ地域交通局(HSL)が主導するパイロットプロジェクトTravelSenseに由来する。 列車の発着地・発着地・発着地・発着地・発着駅・発着駅・発着駅を識別し,列車利用者の旅程構造をよりよく理解することができる。
  論文  参考訳（メタデータ） (2023-02-06T09:59:33Z)
• Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving [100.57791628642624]
  本稿では,視覚に基づくエンドツーエンド自動運転のための安全保証学習フレームワークを提案する。 我々は、勾配降下によりエンドツーエンドに訓練された微分制御バリア関数(dCBF)を備えた学習システムを設計する。
  論文  参考訳（メタデータ） (2022-03-04T16:14:33Z)
• Deep Reinforcement Learning based Dynamic Optimization of Bus Timetable [4.337939117851783]
  深層強化学習に基づくバス時刻動的最適化法(DRL-TO)を提案する。 DQN(Deep Q-Network)は、サービス期間中にバスサービスをディスパッチするかどうかを決定する決定モデルとして使用される。 DRL-TOは、リアルタイムの乗客フローに基づいて出発間隔を動的に決定し、車両の8$%を節約し、乗客の待ち時間の平均17$%を削減できる。
  論文  参考訳（メタデータ） (2021-07-15T01:22:49Z)
• V2VNet: Vehicle-to-Vehicle Communication for Joint Perception and Prediction [74.42961817119283]
  車両間通信(V2V)を用いて、自動運転車の知覚と運動予測性能を向上させる。 複数の車両から受信した情報をインテリジェントに集約することで、異なる視点から同じシーンを観察することができる。
  論文  参考訳（メタデータ） (2020-08-17T17:58:26Z)
• Passive Wi-Fi Monitoring in Public Transport: A case study in the Madeira Island [3.7798600249187295]
  我々は、受動的Wi-Fiデータを用いて、19の公共交通機関に配備される組込みシステムを開発した。 このデータは車種別および車種別で分析され、地上の真実データ(チケット)と比較される。 このデータによってルートの最適化が可能であり、地域当局や観光委員会にルートと交通の管理を監視・最適化するためのツールを提供する、と我々は主張する。
  論文  参考訳（メタデータ） (2020-06-29T14:35:58Z)

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。