論文の概要: Drowsiness Detection Based On Driver Temporal Behavior Using a New Developed Dataset

• arxiv url: http://arxiv.org/abs/2104.00125v1
• Date: Wed, 31 Mar 2021 21:15:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 13:44:12.056990
• Title: Drowsiness Detection Based On Driver Temporal Behavior Using a New Developed Dataset
• Title（参考訳）: 新しいデータセットを用いたドライバの時間行動に基づく眠気検出
• Authors: Farnoosh Faraji, Faraz Lotfi, Javad Khorramdel, Ali Najafi, Ali Ghaffari
• Abstract要約: 顔の特徴を自動的に抽出するためにYOLOv3 (You Look Only Once-version3) CNNを適用した。 そして、LSTMニューラルネットワークを用いて、あくびや点滅時間などのドライバーの時間行動を学ぶ。 以上の結果から,CNNとLSTMの併用による眠気検出と提案手法の有効性が示唆された。
• 参考スコア（独自算出の注目度）: 1.8811803364757564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driver drowsiness detection has been the subject of many researches in the past few decades and various methods have been developed to detect it. In this study, as an image-based approach with adequate accuracy, along with the expedite process, we applied YOLOv3 (You Look Only Once-version3) CNN (Convolutional Neural Network) for extracting facial features automatically. Then, LSTM (Long-Short Term Memory) neural network is employed to learn driver temporal behaviors including yawning and blinking time period as well as sequence classification. To train YOLOv3, we utilized our collected dataset alongside the transfer learning method. Moreover, the dataset for the LSTM training process is produced by the mentioned CNN and is formatted as a two-dimensional sequence comprised of eye blinking and yawning time durations. The developed dataset considers both disturbances such as illumination and drivers' head posture. To have real-time experiments a multi-thread framework is developed to run both CNN and LSTM in parallel. Finally, results indicate the hybrid of CNN and LSTM ability in drowsiness detection and the effectiveness of the proposed method.
• Abstract（参考訳）: ドライバーの眠気検出は過去数十年で多くの研究の対象となり、それを検出する様々な方法が開発されている。 そこで本研究では,画像に基づくアプローチとして,迅速なプロセスとともに,顔特徴の自動抽出にyolov3(一度だけ見える)cnn(畳み込みニューラルネットワーク)を適用した。 そして、LSTM(Long-Short Term Memory)ニューラルネットワークを用いて、あくびや点滅時間などのドライバーの時間行動とシーケンス分類を学習する。 YOLOv3の学習には,収集したデータセットと移動学習手法を併用した。 さらに、上記CNNによりLSTMトレーニングプロセス用データセットを作成し、点眼時間とあくび時間からなる2次元シーケンスとしてフォーマットする。 開発したデータセットでは、照明や運転者の頭部姿勢などの乱れが考慮される。 リアルタイム実験を実現するために,CNNとLSTMを並列に実行するマルチスレッドフレームワークを開発した。 最後に, 眠気検出におけるcnnとlstmのハイブリッド性, 提案手法の有効性が示唆された。

関連論文リスト

• Multi-Scale Convolutional LSTM with Transfer Learning for Anomaly Detection in Cellular Networks [1.1432909951914676]
  本研究では,トランスファーラーニング(TL)を用いたマルチスケール畳み込みLSTMによるセルネットワークの異常検出手法を提案する。 モデルは最初、公開データセットを使用してスクラッチからトレーニングされ、典型的なネットワーク動作を学習する。 我々は,スクラッチから訓練したモデルの性能と,TLを用いた微調整モデルの性能を比較した。
  論文  参考訳（メタデータ） (2024-09-30T17:51:54Z)
• Few-shot Learning using Data Augmentation and Time-Frequency Transformation for Time Series Classification [6.830148185797109]
  データ拡張による新しい数ショット学習フレームワークを提案する。 シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。 本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
  論文  参考訳（メタデータ） (2023-11-06T15:32:50Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Latent Time-Adaptive Drift-Diffusion Model [0.0]
  本稿では,動物実験データと一致する行動特性を示す動物学習モデルとして,潜時適応ドリフト拡散モデル(LTDDM)を提案する。 LTDDMは、リカレントニューラルネットワークよりも桁違いに高速にこれらのイベント時系列を学習できることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:18:16Z)
• Evaluation of deep learning models for multi-step ahead time series prediction [1.3764085113103222]
  本研究では,マルチステップ先行時系列予測のための深層学習モデルの性能を比較検討する。 当社のディープラーニングメソッドは、単純なリカレントニューラルネットワーク、長期メモリ(LSTM)ネットワーク、双方向LSTM、エンコーダデコーダLSTMネットワーク、および畳み込みニューラルネットワークを妥協します。
  論文  参考訳（メタデータ） (2021-03-26T04:07:11Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• A journey in ESN and LSTM visualisations on a language task [77.34726150561087]
  我々は,CSL(Cross-Situationnal Learning)タスクでESNとLSTMを訓練した。 その結果, 性能比較, 内部力学解析, 潜伏空間の可視化の3種類が得られた。
  論文  参考訳（メタデータ） (2020-12-03T08:32:01Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• Human Activity Recognition using Multi-Head CNN followed by LSTM [1.8830374973687412]
  本研究では,CNNとLSTMを用いた新しい身体活動認識法を提案する。 提案手法を用いて,従来の機械学習アルゴリズムや他のディープニューラルネットワークアルゴリズムに匹敵する最先端の精度を実現する。
  論文  参考訳（メタデータ） (2020-02-21T14:29:59Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。