論文の概要: Hard hat wearing detection based on head keypoint localization

• arxiv url: http://arxiv.org/abs/2106.10944v1
• Date: Mon, 21 Jun 2021 09:31:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-22 23:33:51.042457
• Title: Hard hat wearing detection based on head keypoint localization
• Title（参考訳）: ヘッドキーポイント定位に基づくハードハット装着検出
• Authors: Bartosz W\'ojcik, Mateusz \.Zarski, Kamil Ksi\k{a}\.zek, Jaros{\l}aw Adam Miszczak, Miros{\l}aw Jan Skibniewski
• Abstract要約: 本稿では,ディープラーニング,オブジェクト検出,ヘッドキーポイントのローカライゼーションとルールベースの簡易推論の組み合わせを提案する。 その結果,新しい深層学習手法と人間の解釈可能なルールベースシステムを組み合わせることで,信頼性が高く,手動の現場監視をうまく模倣できる解が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, a lot of attention is paid to deep learning methods in the context of vision-based construction site safety systems, especially regarding personal protective equipment. However, despite all this attention, there is still no reliable way to establish the relationship between workers and their hard hats. To answer this problem a combination of deep learning, object detection and head keypoint localization, with simple rule-based reasoning is proposed in this article. In tests, this solution surpassed the previous methods based on the relative bounding box position of different instances, as well as direct detection of hard hat wearers and non-wearers. The results show that the conjunction of novel deep learning methods with humanly-interpretable rule-based systems can result in a solution that is both reliable and can successfully mimic manual, on-site supervision. This work is the next step in the development of fully autonomous construction site safety systems and shows that there is still room for improvement in this area.
• Abstract（参考訳）: 近年,視覚に基づく建設現場の安全システム,特に個人用防護具に関して,深層学習手法に注目が集まっている。 しかし、こうした注目にもかかわらず、いまだに労働者とヘルメットの関係を確立する信頼できる方法がない。 この問題に対処するため,本論文では,ディープラーニング,オブジェクト検出,ヘッドキーポイントのローカライゼーション,ルールベース推論の簡単な組み合わせを提案する。 テストでは、このソリューションは、異なるインスタンスの相対的なバウンディングボックス位置と、ハードハット着用者と非着用者の直接検出に基づいて、以前の方法を超えた。 その結果,新しい深層学習手法と人間の解釈可能なルールベースシステムを組み合わせることで,信頼性が高く,手動の現場監視をうまく模倣できる解が得られることがわかった。 この作業は、完全に自律的な建設現場の安全システム開発における次のステップであり、この地域にはまだ改善の余地があることを示している。

関連論文リスト

• Learning to Defer to a Population: A Meta-Learning Approach [4.64209268422757]
  テスト時に目に見えない専門家に対処できるL2Dシステムを定式化します。 テストポイントに類似したコンテキストセット内のポイントを検索できるアテンションメカニズムを採用しています。 実験では,画像認識,交通標識検出,皮膚病変診断ベンチマークについて検討した。
  論文  参考訳（メタデータ） (2024-03-05T06:10:28Z)
• Specialized Deep Residual Policy Safe Reinforcement Learning-Based Controller for Complex and Continuous State-Action Spaces [1.3678669691302048]
  ランダムに探索することは不可能であり、従来のコントローラーをブラックボックスモデルに置き換えることは望ましくない。 本稿では,複雑かつ連続的な状態対応空間に適応した学習手法を応用した,高度残効政策安全な強化学習を提案する。
  論文  参考訳（メタデータ） (2023-10-15T21:53:23Z)
• CA-CentripetalNet: A novel anchor-free deep learning framework for hardhat wearing detection [14.018642742642852]
  CA-CentripetalNetと呼ばれる新しいアンカーフリー深層学習フレームワークが,検出のために提案されている。 CA-CentripetalNetの特徴抽出と利用性を改善するために,2つの新しい手法が提案されている。 実験の結果、CA-CentripetalNetは86.63%のmAPで性能が向上した。
  論文  参考訳（メタデータ） (2023-07-09T05:40:05Z)
• Point-Level Region Contrast for Object Detection Pre-Training [147.47349344401806]
  本稿では,物体検出作業のための自己教師付き事前学習手法である点レベル領域コントラストを提案する。 提案手法は,異なる領域から個々の点対を直接抽出することにより,コントラスト学習を行う。 領域ごとの集約表現と比較すると,入力領域の品質の変化に対して,我々のアプローチはより堅牢である。
  論文  参考訳（メタデータ） (2022-02-09T18:56:41Z)
• Gait Recognition Based on Deep Learning: A Survey [1.731119436110423]
  バイオメトリに基づく制御システムは、適切な操作を行うために、個々の期待する行動や協調に依存しない。 いくつかの研究は、歩行認識アプローチによってこの問題に対処することを提案している。 ディープラーニングベースのアプローチは、ほぼあらゆる画像やコンピュータビジョンに関連する問題に対処する、堅牢なツールセットとして最近登場した。
  論文  参考訳（メタデータ） (2022-01-10T12:44:42Z)
• Generalized Out-of-Distribution Detection: A Survey [83.0449593806175]
  アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの信頼性と安全性を確保するために重要である。 その他の問題として、異常検出(AD)、新規検出(ND)、オープンセット認識(OSR)、異常検出(OD)などがある。 まず、上記の5つの問題を含む一般化OOD検出という統合されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-21T17:59:41Z)
• Combining Self-Training and Self-Supervised Learning for Unsupervised Disfluency Detection [80.68446022994492]
  本研究では,未ラベルテキストコーパスを扱える教師なし学習パラダイムについて検討する。 我々のモデルは、自己学習の考え方を拡張する半教師あり学習アプローチである、雑音学習(Noisy Student Training)に関する最近の研究に基づいている。
  論文  参考訳（メタデータ） (2020-10-29T05:29:26Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)
• Continual Deep Learning by Functional Regularisation of Memorable Past [95.97578574330934]
  知的システムにとって、新しいスキルを継続的に学習することは重要だが、標準的なディープラーニング手法は、過去の破滅的な忘れ物に悩まされている。 本稿では, 過去の記憶に残るいくつかの例を, 忘れることを避けるために活用する機能正規化手法を提案する。 提案手法は,標準ベンチマーク上での最先端性能を実現し,正規化とメモリベースの手法を自然に組み合わせた生涯学習の新たな方向性を開拓する。
  論文  参考訳（メタデータ） (2020-04-29T10:47:54Z)
• Efficient Exploration in Constrained Environments with Goal-Oriented Reference Path [15.679210057474922]
  環境マップに基づいて衝突のない経路を予測できる深層畳み込みネットワークを訓練する。 これは強化学習アルゴリズムによって、経路を忠実に追従することを学ぶために使われる。 提案手法は,新しい環境へのサンプル効率と一般化能力を継続的に改善することを示す。
  論文  参考訳（メタデータ） (2020-03-03T17:07:47Z)

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。