論文の概要: Calibration-Free Driver Drowsiness Classification based on Manifold-Level Augmentation

• arxiv url: http://arxiv.org/abs/2212.13887v1
• Date: Wed, 14 Dec 2022 08:51:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 14:14:44.987987
• Title: Calibration-Free Driver Drowsiness Classification based on Manifold-Level Augmentation
• Title（参考訳）: Manifold-Level Augmentationに基づくキャリブレーションフリードライバのDrowsiness分類
• Authors: Dong-Young Kim, Dong-Kyun Han, Hye-Bin Shin
• Abstract要約: 脳波(EEG)によるドライバーの眠気レベルのモニタリングは、道路事故を防ぐ可能性がある。 脳波信号は被験者によって異なるため、事前に校正が必要である。 本稿では, 多様体レベル拡張を用いた運転者の眠気状態分類のためのキャリブレーションフリーフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.6248092118543567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drowsiness reduces concentration and increases response time, which causes fatal road accidents. Monitoring drivers' drowsiness levels by electroencephalogram (EEG) and taking action may prevent road accidents. EEG signals effectively monitor the driver's mental state as they can monitor brain dynamics. However, calibration is required in advance because EEG signals vary between and within subjects. Because of the inconvenience, calibration has reduced the accessibility of the brain-computer interface (BCI). Developing a generalized classification model is similar to domain generalization, which overcomes the domain shift problem. Especially data augmentation is frequently used. This paper proposes a calibration-free framework for driver drowsiness state classification using manifold-level augmentation. This framework increases the diversity of source domains by utilizing features. We experimented with various augmentation methods to improve the generalization performance. Based on the results of the experiments, we found that deeper models with smaller kernel sizes improved generalizability. In addition, applying an augmentation at the manifold-level resulted in an outstanding improvement. The framework demonstrated the capability for calibration-free BCI.
• Abstract（参考訳）: 眠気は集中力を減少させ、応答時間を増加させ、致命的な交通事故を引き起こす。 運転者の眠気レベルを脳波(EEG)で監視し、行動を取ることで道路事故を防止できる。 脳波信号はドライバーの精神状態を効果的にモニターし、脳のダイナミクスをモニターする。 しかし、脳波信号は被験者によって異なるため、事前に校正が必要である。 不便のため、校正は脳-コンピュータインタフェース(BCI)のアクセシビリティを低下させた。 一般化分類モデルの開発は、ドメインシフト問題を克服する領域一般化と似ている。 特にデータ拡張が頻繁に使用される。 本稿では,マニホールドレベル拡張を用いた運転者の眠気状態分類のためのキャリブレーションフリーフレームワークを提案する。 このフレームワークは、機能を利用することで、ソースドメインの多様性を高める。 一般化性能を改善するために,様々な拡張手法を実験した。 実験結果から,カーネルサイズが小さいより深いモデルでは,一般化性が向上することが判明した。 さらに、多様体レベルでの加法の適用は、顕著な改善をもたらした。 このフレームワークはキャリブレーションフリーBCIの能力を実証した。

関連論文リスト

• Transferring BCI models from calibration to control: Observing shifts in EEG features [5.62479170374811]
  パブリックモーターイメージベースの脳コンピュータインタフェース(BCI)データセットは、より優れた分類器の開発に使用されている。 ユーザがそのようなBCIでコントロールタスクを実行しようとすると、EEGパターンにどのような変化が起こるかは、しばしば不明である。 標準校正セッションとEMGに基づく新しいBCI制御セッションを含む新しいパラダイムを実証する。
  論文  参考訳（メタデータ） (2024-03-14T09:49:00Z)
• OpenNet: Incremental Learning for Autonomous Driving Object Detection with Balanced Loss [3.761247766448379]
  提案手法は既存手法よりも優れた性能が得られる。 CODAデータセットを用いた実験結果から,提案手法は既存手法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-11-25T06:02:50Z)
• Improving Generalization of Drowsiness State Classification by Domain-Specific Normalization [23.972427172296207]
  異常運転状態は、特に道路安全に対する主要な懸念であり、事故を防ぐための正確な眠気検知の重要性を強調している。 脳波(EEG)信号は、脳活動を監視して運転者の精神状態をモニタリングする効果が認められている。 課題は、個人および内部における脳波信号の変動による事前校正の必要性にある。 本稿では,アクセシビリティと利便性を向上させるために,運転者の眠気状態を分類するための実践的な枠組みを提案する。
  論文  参考訳（メタデータ） (2023-11-15T02:49:48Z)
• CPSOR-GCN: A Vehicle Trajectory Prediction Method Powered by Emotion and Cognitive Theory [0.07499722271664144]
  本稿では,新しい軌道予測モデルCPSOR-GCNを提案する。 物理的レベルでは、車両間の相互作用特徴は、物理GCNモジュールによって抽出される。 認知レベルでは、SOR認知理論は、動的ベイズネットワーク(DBN)構造を構築するための事前知識として用いられる。
  論文  参考訳（メタデータ） (2023-11-14T11:13:00Z)
• Cal-DETR: Calibrated Detection Transformer [67.75361289429013]
  本稿では,Deformable-DETR,UP-DETR,DINOのキャリブレーション検出トランス(Cal-DETR)のメカニズムを提案する。 我々は、不確実性を利用してクラスロジットを変調する不確実性誘導ロジット変調機構を開発する。 その結果、Cal-DETRは、ドメイン内およびドメイン外の両方を校正する競合する列車時間法に対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-11-06T22:13:10Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• TransDARC: Transformer-based Driver Activity Recognition with Latent Space Feature Calibration [31.908276711898548]
  本稿では、視覚変換器に基づく二次運転行動認識のための視覚ベースのフレームワークと、機能分散キャリブレーションモジュールを提案する。 当社のフレームワークは,すべてのレベルにおいて,公的なDrive&Actベンチマークの過去の成果を上回り,認識率を常に向上させています。
  論文  参考訳（メタデータ） (2022-03-02T08:14:06Z)
• Adaptive Perturbation for Adversarial Attack [50.77612889697216]
  そこで本研究では,新たな逆例に対する勾配に基づく攻撃手法を提案する。 逆方向の摂動を発生させるために,スケーリング係数を用いた正確な勾配方向を用いる。 本手法は, 高い伝達性を示し, 最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-27T07:57:41Z)
• Detecting Rewards Deterioration in Episodic Reinforcement Learning [63.49923393311052]
  多くのRLアプリケーションでは、トレーニングが終了すると、エージェント性能の劣化をできるだけ早く検出することが不可欠である。 我々は,各エピソードにおける報酬が独立でもなく,同一に分散した,マルコフでもない,エピソード的枠組みを考察する。 平均シフトは、時間信号の劣化(報酬など)に対応する方法で定義し、最適な統計的パワーでこの問題の試行を導出する。
  論文  参考訳（メタデータ） (2020-10-22T12:45:55Z)
• Adaptive Inertia: Disentangling the Effects of Adaptive Learning Rate and Momentum [97.84312669132716]
  我々は,アダム力学の適応学習率とモメンタムがサドルポイントエスケープおよびフラットミニマ選択に与える影響を解消する。 提案手法は,SGD法や従来の適応勾配法よりも大幅に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-29T05:21:02Z)

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。

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。