Fugu-MT 論文翻訳(概要): Automatically identifying a mobile phone user's position within a vehicle

論文の概要: Automatically identifying a mobile phone user's position within a vehicle

arxiv url: http://arxiv.org/abs/2111.06306v1
Date: Thu, 11 Nov 2021 16:52:57 GMT
ステータス: 処理完了
システム内更新日: 2021-11-12 17:46:24.906488
Title: Automatically identifying a mobile phone user's position within a vehicle
Title（参考訳）: 車両内の携帯電話ユーザの位置を自動的に識別する
Authors: Matt Knutson, Kevin Kramer, Sara Seifert, Ryan Chamberlain
Abstract要約: 交通事故や死亡事故はアメリカ合衆国の主要な健康リスクである。運転中の携帯電話の使用は、自動車事故のリスクを4倍にします。この研究は、携帯電話カメラを使用して車両内の携帯電話ユーザーの位置を受動的に検出できる可能性を示している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traffic-related injuries and fatalities are major health risks in the United States. Mobile phone use while driving quadruples the risk for a motor vehicle crash. This work demonstrates the feasibility of using the mobile phone camera to passively detect the location of the phone's user within a vehicle. In a large, varied dataset we were able correctly identify if the user was in the driver's seat or one of the passenger seats with 94.9% accuracy. This model could be used by application developers to selectively change or lock functionality while a user is driving, but not if the user is a passenger in a moving vehicle.
Abstract（参考訳）: 交通事故や死亡事故はアメリカ合衆国の主要な健康リスクである。運転中の携帯電話の使用は、自動車事故のリスクを4倍にする。本研究は,携帯電話カメラを用いて車両内の携帯電話ユーザの位置を受動的に検出することの実現可能性を示す。大きくて多様なデータセットでは、ユーザーが運転席にいるか、94.9%の精度で乗客席にいるかを正確に特定することができた。このモデルは、ユーザが運転中に機能を選択的に変更またはロックするために、アプリケーション開発者が使用することができる。

関連論文リスト

Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data [57.22545280370174]
On Path Diagnostic - Intrusion & Inference (OPD-II) は物理カーモデルとマップマッチングアルゴリズムを利用した新しい経路推論攻撃である。我々は4台の異なる車両と41トラックの道路および交通シナリオに対する攻撃を実行した。
論文参考訳（メタデータ） (2024-06-30T04:21:46Z)
Vision-based Vehicle Re-identification in Bridge Scenario using Flock Similarity [4.395839823503292]
車両の再識別(英: vehicle re-identification)とは、あるカメラの下に別のカメラに現れる車両を見つけることを指す。車両の外観データには、高いクラス間類似性と大きなクラス内差異の特徴がある。そこで本研究では,フロック類似性に基づく車両再識別手法を提案し,車両再識別の精度を向上する。
論文参考訳（メタデータ） (2024-03-12T15:39:56Z)
Pedestrian Environment Model for Automated Driving [54.16257759472116]
歩行者の位置とポーズ情報を含む環境モデルを提案する。画像から人間のポーズ推定器を用いて骨格情報を抽出する。位置の3D情報を得るために,車両の位置と合わせて連続するフレームからデータを集約する。
論文参考訳（メタデータ） (2023-08-17T16:10:58Z)
DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文参考訳（メタデータ） (2023-04-03T17:37:00Z)
(Safe) SMART Hands: Hand Activity Analysis and Distraction Alerts Using a Multi-Camera Framework [0.0]
機械学習を用いたカメラビューのアンサンブルを用いた手作業分類のためのアルゴリズムフレームワークSMART Handsを導入する。このフレームワークの有効性を4カメラで説明し、様々な場所の分類精度98%に達し、運転者の両手にオブジェクトを保持する。
論文参考訳（メタデータ） (2023-01-14T07:22:12Z)
Identification of Adaptive Driving Style Preference through Implicit Inputs in SAE L2 Vehicles [1.497563464566495]
本研究は,マルチモーダル信号を用いたユーザ運転スタイルの嗜好の同定を提案する。被験者36名を対象に運転シミュレータ実験を行い, 行動, 生理, 状況データを含む広範囲なマルチモーダルデータを収集した。そこで我々は、好みの運転スタイルを識別するための機械学習モデルを構築し、ユーザの好みを特定する上で、すべてのモダリティが重要であることを確認した。
論文参考訳（メタデータ） (2022-09-21T17:56:21Z)
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)
Smartphone-based Hard-braking Event Detection at Scale for Road Safety Services [6.451490979743455]
道路事故は世界第6位の障害調整生命年(DALY)の原因となっている。本稿では,スマートフォンセンサから収集したキネマティクスデータを用いて,ハードブレーキイベントを検出するスケーラブルなアプローチを提案する。われわれはTransformerをベースとした機械学習モデルをトレーニングし、Google Mapsでナビゲートしながらスマートフォンや車両のセンサーから、スマートフォンと車両のセンサーを同時に読み取ることで、ハードブレーキイベントの検出を可能にした。
論文参考訳（メタデータ） (2022-02-04T01:30:32Z)
Computer Vision based Accident Detection for Autonomous Vehicles [0.0]
ダッシュボードカメラを用いて車両事故を検出する自動運転支援システムを提案する。このフレームワークは、ダッシュカム映像のカスタムデータセットでテストされ、誤報率を低く保ちながら、高い事故検出率を達成する。
論文参考訳（メタデータ） (2020-12-20T08:51:10Z)
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)
Decentralized Privacy-Preserving Proximity Tracing [50.27258414960402]
DP3TはSARS-CoV-2の普及を遅らせるための技術基盤を提供する。システムは、個人やコミュニティのプライバシーとセキュリティのリスクを最小限にすることを目的としている。
論文参考訳（メタデータ） (2020-05-25T12:32:02Z)

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。