論文の概要: Driver Anomaly Detection: A Dataset and Contrastive Learning Approach

• arxiv url: http://arxiv.org/abs/2009.14660v2
• Date: Mon, 30 Nov 2020 15:00:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 23:18:30.056323
• Title: Driver Anomaly Detection: A Dataset and Contrastive Learning Approach
• Title（参考訳）: ドライバ異常検出:データセットとコントラスト学習アプローチ
• Authors: Okan K\"op\"ukl\"u, Jiapeng Zheng, Hang Xu, Gerhard Rigoll
• Abstract要約: 本稿では,通常の運転と異常運転を区別する指標を学習するための対照的な学習手法を提案する。 本手法はテストセットの0.9673 AUCに到達し,異常検出タスクに対する対照的な学習手法の有効性を実証した。
• 参考スコア（独自算出の注目度）: 17.020790792750457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distracted drivers are more likely to fail to anticipate hazards, which result in car accidents. Therefore, detecting anomalies in drivers' actions (i.e., any action deviating from normal driving) contains the utmost importance to reduce driver-related accidents. However, there are unbounded many anomalous actions that a driver can do while driving, which leads to an 'open set recognition' problem. Accordingly, instead of recognizing a set of anomalous actions that are commonly defined by previous dataset providers, in this work, we propose a contrastive learning approach to learn a metric to differentiate normal driving from anomalous driving. For this task, we introduce a new video-based benchmark, the Driver Anomaly Detection (DAD) dataset, which contains normal driving videos together with a set of anomalous actions in its training set. In the test set of the DAD dataset, there are unseen anomalous actions that still need to be winnowed out from normal driving. Our method reaches 0.9673 AUC on the test set, demonstrating the effectiveness of the contrastive learning approach on the anomaly detection task. Our dataset, codes and pre-trained models are publicly available.
• Abstract（参考訳）: 気を取られたドライバーは、自動車事故を引き起こす危険を予見する傾向が強い。 したがって、運転者の動作の異常(つまり通常の運転から逸脱する行動)を検出することは、運転者関連の事故を減らすために最も重要である。 しかし、運転中に運転者ができる異常な動作が多数あり、これは「オープンセット認識」の問題につながる。 そこで本研究では,従来のデータセットプロバイダが共通に定義する異常動作のセットを認識する代わりに,正規運転と異常運転を区別する指標を学ぶための対比学習手法を提案する。 そこで本研究では,通常の運転ビデオと,そのトレーニングセットに異常動作のセットを含む,新しいビデオベースベンチマークであるドライバ異常検出(DAD)データセットを提案する。 DADデータセットのテストセットには、通常の運転から解放される必要のある異常なアクションがある。 本手法は,実験セット上で0.9673 aucに達し,異常検出タスクにおけるコントラスト学習手法の有効性を示す。 データセット、コード、事前訓練されたモデルは公開されています。

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• 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)
• Anomaly Detection in Driving by Cluster Analysis Twice [0.0]
  本研究は, クラスタ分析による運転異常検出法(ADDCAT)を提案する。 イベントは、運転の正常さのパターンと見なされる主要なクラスタに適合しない場合、異常であると言われている。 この方法は、事前のトレーニングプロセスや膨大な計算コストを必要とせず、運転中の異常を検出する手段を提供する。
  論文  参考訳（メタデータ） (2022-12-15T09:53:49Z)
• FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
  非客観的運転経験はモデル化が難しい。 本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。 インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
  論文  参考訳（メタデータ） (2022-12-05T08:25:09Z)
• 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)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)
• UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection [103.06327681038304]
  本稿では,複数の仮想シーンで構成された教師付きオープンセット・ベンチマークを提案する。 既存のデータセットとは異なり、トレーニング時に画素レベルでアノテートされた異常事象を導入する。 UBnormalは最先端の異常検出フレームワークの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-11-16T17:28:46Z)
• 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)
• Anomaly Detection in Multi-Agent Trajectories for Automated Driving [2.5211566369910967]
  人間と同様、自動走行車は異常検出を行う。 私たちの革新は、動的エージェントの複数の軌道を共同で学習する能力です。
  論文  参考訳（メタデータ） (2021-10-15T08:07:31Z)
• Modified Supervised Contrastive Learning for Detecting Anomalous Driving Behaviours [1.4544109317472054]
  我々はこの問題を教師付きコントラスト学習アプローチとして定式化し、視覚表現を学習し、正常で見えず異常な運転行動を検出する。 本研究は,31名の運転者の正常運転行動と異常運転行動の783分間のビデオ記録を含む運転異常検出データセットに示す。
  論文  参考訳（メタデータ） (2021-09-09T03:50:19Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。