論文の概要: In-the-wild Drowsiness Detection from Facial Expressions
- arxiv url: http://arxiv.org/abs/2010.11162v1
- Date: Wed, 21 Oct 2020 17:28:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 00:25:53.791013
- Title: In-the-wild Drowsiness Detection from Facial Expressions
- Title（参考訳）: 顔表情からの眼内ドローズネス検出
- Authors: Ajjen Joshi, Survi Kyal, Sandipan Banerjee, Taniya Mishra
- Abstract要約: 眠気状態の運転は道路事故の大きな原因であり、生命と財産に大きな損害を与える。
運転中に顔を記録するカメラキットを用いて、夜間シフト作業者の車両を配置するデータ収集プロトコルを提案する。
我々は、ドライバーの顔の入力ビデオのポーズ、表情、感情に基づく表現から、さまざまな畳み込みと時間的ニューラルネットワークアーキテクチャを用いて、眠気状態を予測する実験を行った。
- 参考スコア（独自算出の注目度）: 6.569756709977793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driving in a state of drowsiness is a major cause of road accidents,
resulting in tremendous damage to life and property. Developing robust,
automatic, real-time systems that can infer drowsiness states of drivers has
the potential of making life-saving impact. However, developing drowsiness
detection systems that work well in real-world scenarios is challenging because
of the difficulties associated with collecting high-volume realistic drowsy
data and modeling the complex temporal dynamics of evolving drowsy states. In
this paper, we propose a data collection protocol that involves outfitting
vehicles of overnight shift workers with camera kits that record their faces
while driving. We develop a drowsiness annotation guideline to enable humans to
label the collected videos into 4 levels of drowsiness: `alert', `slightly
drowsy', `moderately drowsy' and `extremely drowsy'. We experiment with
different convolutional and temporal neural network architectures to predict
drowsiness states from pose, expression and emotion-based representation of the
input video of the driver's face. Our best performing model achieves a macro
ROC-AUC of 0.78, compared to 0.72 for a baseline model.
- Abstract（参考訳）: 眠気の状態で運転することは交通事故の主な原因であり、生命と財産に大きな損害を与える。
ドライバーの眠気状態を推測できる堅牢で自動化されたリアルタイムシステムを開発することは、救命に影響を及ぼす可能性がある。
しかし, 現実のシナリオでうまく機能する空白検出システムの開発は, 高ボリュームの現実的空白データ収集と, 進行する空白状態の複雑な時間ダイナミクスのモデル化が困難であるため, 困難である。
本稿では,運転中の顔を記録するカメラキットを用いて,夜間シフト作業者の車両を配置するデータ収集プロトコルを提案する。
我々は,収集した動画を「alert」,「slightly drowsy」,「moderately drowsy」,「extremely drowsy」の4段階のdrowsinessにラベル付けするためのdrowsinessアノテーションガイドラインを開発した。
運転者の顔の入力映像のポーズ,表情,感情に基づく表現から眠気状態を予測するために,畳み込みと時間的ニューラルネットワークアーキテクチャを用いて実験を行った。
ベースラインモデルでは0.72に比べて,マクロROC-AUCは0.78である。
関連論文リスト
- Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。
エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。
クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
論文 参考訳（メタデータ） (2024-09-25T06:48:25Z) - Adversarial Robustness and Feature Impact Analysis for Driver Drowsiness
Detection [0.0]
眠気運転は道路事故の主要な原因であるが、ドライバーは疲労が反応時間に与える影響を否定している。
障害が発生する前に眠気を検出するには、機械学習(ML)を使用して心拍変動(HRV)信号を監視するという、有望な戦略がある。
論文 参考訳（メタデータ） (2023-03-23T20:13:44Z) - Video Waterdrop Removal via Spatio-Temporal Fusion in Driving Scenes [53.16726447796844]
運転中のフロントガラスの水滴は、深刻な視覚障害を引き起こし、自動車事故を引き起こす可能性がある。
本研究では、複数のフレームから表現を融合させて、水滴に隠された視覚情報を復元するアテンションベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-12T13:47:26Z) - 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) - 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) - 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) - On the Real-World Adversarial Robustness of Real-Time Semantic
Segmentation Models for Autonomous Driving [59.33715889581687]
現実世界の敵対的な例(通常はパッチの形で)の存在は、安全クリティカルなコンピュータビジョンタスクにおけるディープラーニングモデルの使用に深刻な脅威をもたらす。
本稿では,異なる種類の対立パッチを攻撃した場合のセマンティックセグメンテーションモデルのロバスト性を評価する。
画素の誤分類を誘導する攻撃者の能力を改善するために, 新たな損失関数を提案する。
論文 参考訳（メタデータ） (2022-01-05T22:33:43Z) - Driving-Signal Aware Full-Body Avatars [49.89791440532946]
そこで本研究では,駆動信号を意識したフルボディアバターを構築するための学習ベース手法を提案する。
我々のモデルは条件付き変分オートエンコーダであり、不完全な駆動信号でアニメーションできる。
仮想テレプレゼンスのためのフルボディアニメーションの課題に対して,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-05-21T16:22:38Z) - 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) - Driver Drowsiness Classification Based on Eye Blink and Head Movement
Features Using the k-NN Algorithm [8.356765961526955]
この研究は、ドライバー監視カメラの信号を用いて、車両内の運転者の眠気検知を拡張することを目的としている。
この目的のために、運転シミュレータ実験において、運転者の点眼行動と頭部運動に関連する35の特徴を抽出する。
最高の特徴セットの分析は、運転者の瞬き行動と頭部の動きに対する眠気の影響についての貴重な洞察を与える。
論文 参考訳（メタデータ） (2020-09-28T12:37:38Z) - 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)
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。