論文の概要: Towards Evaluating Driver Fatigue with Robust Deep Learning Models

• arxiv url: http://arxiv.org/abs/2007.08453v4
• Date: Mon, 8 Feb 2021 06:35:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 22:32:03.215472
• Title: Towards Evaluating Driver Fatigue with Robust Deep Learning Models
• Title（参考訳）: 頑健な深層学習モデルによるドライバ疲労評価に向けて
• Authors: Ken Alparslan, Yigit Alparslan, Matthew Burlick
• Abstract要約: ドローシー運転の結果、米国では毎年約7万2000件の事故と4万4000件のケガが発生している。 撮影カメラフレームの眼球閉鎖性を検出するための枠組みを,眠気検出のためのゲートウェイとして提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we explore different deep learning based approaches to detect driver fatigue. Drowsy driving results in approximately 72,000 crashes and 44,000 injuries every year in the US and detecting drowsiness and alerting the driver can save many lives. There have been many approaches to detect fatigue, of which eye closedness detection is one. We propose a framework to detect eye closedness in a captured camera frame as a gateway for detecting drowsiness. We explore two different datasets to detect eye closedness. We develop an eye model by using new Eye-blink dataset and a face model by using the Closed Eyes in the Wild (CEW). We also explore different techniques to make the models more robust by adding noise. We achieve 95.84% accuracy on our eye model and 80.01% accuracy on our face model. We also see that we can improve our accuracy on the face model by 6% via adversarial training and data augmentation. We hope that our work will be useful to the field of driver fatigue detection to avoid potential vehicle accidents related to drowsy driving.
• Abstract（参考訳）: 本稿では,ドライバの疲労を検出するための,異なるディープラーニング手法について検討する。 米国では毎年7万2千件の事故と4万4千人のけがが発生し、眠気を検知し、多くの命を救えると警告する。 疲労を検出するための多くのアプローチがあり、そのうちの1つは眼球閉鎖性検出である。 撮影カメラフレームの眼球閉鎖性を検出するための枠組みを,眠気検出のためのゲートウェイとして提案する。 眼球閉鎖性を検出するために2つの異なるデータセットを探索する。 我々は、新しいアイリンクデータセットと、野生の閉鎖眼(CEW)を用いた顔モデルを用いて、眼モデルを開発する。 また、ノイズを加えることによってモデルをより堅牢にするさまざまな手法についても検討しています。 眼モデルの精度は95.84%、顔モデルの精度は80.01%である。 また, 顔モデルの精度を, 逆トレーニングとデータ拡張により6%向上させることができた。 ドロージー運転に関する潜在的な自動車事故を避けるため,運転者の疲労検出の分野では,我々の研究が有用であることを期待する。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Driver Drowsiness Detection System: An Approach By Machine Learning Application [0.0]
  毎年100万人が交通事故で死亡している。 道路事故の件数が増加する主な原則は、眠気である。 本稿では,80%の精度で眠気検知の問題を解決することに焦点を当てた。
  論文  参考訳（メタデータ） (2023-03-11T05:05:36Z)
• SleepyWheels: An Ensemble Model for Drowsiness Detection leading to Accident Prevention [0.0]
  SleepyWheelsは、顔のランドマークを識別すると同時に、軽量なニューラルネットワークを使用する革命的な方法だ。 このモデルは、ドライバーの眠気に関する特別なデータセットに基づいて訓練され、精度は97%に達する。
  論文  参考訳（メタデータ） (2022-11-01T19:36:47Z)
• Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
  道路事故は世界8大死因である。 様々な要因がドライバーの疲労の原因となっている。 ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
  論文  参考訳（メタデータ） (2022-08-31T08:42:28Z)
• Applying Spatiotemporal Attention to Identify Distracted and Drowsy Driving with Vision Transformers [0.0]
  2021年の自動車事故は、2020年に比べて20%増加した。 眠気と気を散らした運転は、全自動車事故の45%の原因である。 本研究は、3D-CNNから最先端の精度を向上するために視覚変換器を用いることを検討した。
  論文  参考訳（メタデータ） (2022-07-22T16:36:48Z)
• Detection of Driver Drowsiness by Calculating the Speed of Eye Blinking [0.0]
  そこで我々は,視線点滅率に基づく眠気の簡易リアルタイム検出システムについて検討した。 目が点滅する速度が、経験的に決められた閾値を下回ると、システムはアラームを起動する。 顔がカメラに向けられた場合、このシステムはうまく機能するが、頭部が大きく傾くと信頼性が低下する。
  論文  参考訳（メタデータ） (2021-10-21T16:02:05Z)
• Robust SleepNets [7.23389716633927]
  本研究では,運転者の脱着や運転者の眠気にかかわる事故を防止するために,視線閉鎖性検出について検討した。 目の閉鎖度を検出するための2つのモデル:目の画像の最初のモデルと顔の画像の2番目のモデル。 我々は,予測グラディエント Descent,Fast Gradient Sign,DeepFool メソッドでモデルに逆襲し,逆襲成功率を報告する。
  論文  参考訳（メタデータ） (2021-02-24T20:48:13Z)
• 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)
• 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)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。