論文の概要: SleepyWheels: An Ensemble Model for Drowsiness Detection leading to Accident Prevention

• arxiv url: http://arxiv.org/abs/2211.00718v1
• Date: Tue, 1 Nov 2022 19:36:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 12:18:14.956650
• Title: SleepyWheels: An Ensemble Model for Drowsiness Detection leading to Accident Prevention
• Title（参考訳）: SleepyWheels: 事故防止につながる眠気検出のためのアンサンブルモデル
• Authors: Jomin Jose, Andrew J, Kumudha Raimond, Shweta Vincent
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Around 40 percent of accidents related to driving on highways in India occur due to the driver falling asleep behind the steering wheel. Several types of research are ongoing to detect driver drowsiness but they suffer from the complexity and cost of the models. In this paper, SleepyWheels a revolutionary method that uses a lightweight neural network in conjunction with facial landmark identification is proposed to identify driver fatigue in real time. SleepyWheels is successful in a wide range of test scenarios, including the lack of facial characteristics while covering the eye or mouth, the drivers varying skin tones, camera placements, and observational angles. It can work well when emulated to real time systems. SleepyWheels utilized EfficientNetV2 and a facial landmark detector for identifying drowsiness detection. The model is trained on a specially created dataset on driver sleepiness and it achieves an accuracy of 97 percent. The model is lightweight hence it can be further deployed as a mobile application for various platforms.
• Abstract（参考訳）: インドの高速道路での運転に関連する事故の約40%は、運転者がハンドルの後ろで眠りに落ちたためである。 ドライバーの眠気を検出するためにいくつかの研究が進行中であるが、それらはモデルの複雑さとコストに悩まされている。 本論文では,ドライバーの疲労をリアルタイムで識別するために,軽量ニューラルネットワークと顔のランドマーク識別を併用した革命的手法を提案する。 SleepyWheelsは、目や口を覆う際の顔の特徴の欠如、ドライバーの肌の色の変化、カメラの配置、観察角度など、幅広いテストシナリオで成功している。 リアルタイムシステムにエミュレートするとうまく機能します。 SleepyWheelsは、EfficientNetV2と顔のランドマーク検出器を使用して、眠気の検出を識別した。 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。 モデルは軽量であるため、さまざまなプラットフォーム用のモバイルアプリケーションとして、さらにデプロイすることができる。

関連論文リスト

• Driver Drowsiness Detection System: An Approach By Machine Learning Application [0.0]
  毎年100万人が交通事故で死亡している。 道路事故の件数が増加する主な原則は、眠気である。 本稿では,80%の精度で眠気検知の問題を解決することに焦点を当てた。
  論文  参考訳（メタデータ） (2023-03-11T05:05:36Z)
• Sleep Activity Recognition and Characterization from Multi-Source Passively Sensed Data [67.60224656603823]
  睡眠活動認識法は、被験者の睡眠覚醒サイクルを評価し、監視し、特徴づけ、行動の変化を検出する指標を提供することができる。 本稿では,スマートフォンから受動的に知覚されたデータを連続的に操作して,睡眠の特徴を識別し,重要な睡眠エピソードを識別する一般的な方法を提案する。 これらの装置は、その用途により、連続的で客観的で非侵襲的な方法で被験者の生体リズムをプロファイルするための優れた代替データ源となっている。
  論文  参考訳（メタデータ） (2023-01-17T15:18:45Z)
• Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
  道路事故は世界8大死因である。 様々な要因がドライバーの疲労の原因となっている。 ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
  論文  参考訳（メタデータ） (2022-08-31T08:42:28Z)
• Drivers' attention detection: a systematic literature review [62.997667081978825]
  多くの要因が運転中の注意散らしに寄与しうるが、それは物体や事象が生理的状態、つまり眠気や疲労に結びつくためであり、運転者が注意をそらすことができないからである。 技術進歩により、現実の状況における注意を検知する多くのソリューションの開発と応用が可能となった。 本研究は,車輪の運転者の注意を検知するための方法と基準について,システマティック文献レビュー(Systematic Literature Review)を提示する。
  論文  参考訳（メタデータ） (2022-04-06T11:36:40Z)
• 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)
• Detection of Driver Drowsiness by Calculating the Speed of Eye Blinking [0.0]
  そこで我々は,視線点滅率に基づく眠気の簡易リアルタイム検出システムについて検討した。 目が点滅する速度が、経験的に決められた閾値を下回ると、システムはアラームを起動する。 顔がカメラに向けられた場合、このシステムはうまく機能するが、頭部が大きく傾くと信頼性が低下する。
  論文  参考訳（メタデータ） (2021-10-21T16:02:05Z)
• In-the-wild Drowsiness Detection from Facial Expressions [6.569756709977793]
  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。
  論文  参考訳（メタデータ） (2020-10-21T17:28:56Z)
• Towards Evaluating Driver Fatigue with Robust Deep Learning Models [0.0]
  ドローシー運転の結果、米国では毎年約7万2000件の事故と4万4000件のケガが発生している。 撮影カメラフレームの眼球閉鎖性を検出するための枠組みを,眠気検出のためのゲートウェイとして提案する。
  論文  参考訳（メタデータ） (2020-07-16T16:44:49Z)
• 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)
• 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)
• Driver Drowsiness Detection Model Using Convolutional Neural Networks Techniques for Android Application [0.8644909837301148]
  本稿では,ニューラルネットワークを用いた微小睡眠と眠気の検出に焦点をあてる。 カメラによって検出され、畳み込みニューラルネットワーク(CNN)に渡される顔のランドマークを利用して、眠気を分類することで精度が向上した。 提案したCNNベースのモデルは,組込みシステムとAndroidデバイスを対象とした,高精度で使いやすいリアルタイムドライバの眠気検知システムを構築するために使用することができる。
  論文  参考訳（メタデータ） (2020-01-17T12:39:50Z)

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。