論文の概要: Toward Extremely Lightweight Distracted Driver Recognition With
Distillation-Based Neural Architecture Search and Knowledge Transfer
- arxiv url: http://arxiv.org/abs/2302.04527v1
- Date: Thu, 9 Feb 2023 09:39:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 16:21:17.901345
- Title: Toward Extremely Lightweight Distracted Driver Recognition With
Distillation-Based Neural Architecture Search and Knowledge Transfer
- Title（参考訳）: 蒸留型ニューラルアーキテクチャ探索と知識伝達を用いた極めて軽量なドライバ認識
- Authors: Dichao Liu, Toshihiko Yamasaki, Yu Wang, Kenji Mase, Jien Kato
- Abstract要約: 交通事故は、注意を運転から遠ざける不注意なドライバーによって引き起こされる。
多くの研究者が、ダッシュカムから逸脱した運転を認識するためにCNNベースのアルゴリズムを開発した。
現在のモデルにはパラメータが多すぎるため、車載コンピューティングでは不可能である。
本研究は, この問題を解決するための知識蒸留に基づく新しい枠組みを提案する。
- 参考スコア（独自算出の注目度）: 31.370334608784546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The number of traffic accidents has been continuously increasing in recent
years worldwide. Many accidents are caused by distracted drivers, who take
their attention away from driving. Motivated by the success of Convolutional
Neural Networks (CNNs) in computer vision, many researchers developed CNN-based
algorithms to recognize distracted driving from a dashcam and warn the driver
against unsafe behaviors. However, current models have too many parameters,
which is unfeasible for vehicle-mounted computing. This work proposes a novel
knowledge-distillation-based framework to solve this problem. The proposed
framework first constructs a high-performance teacher network by progressively
strengthening the robustness to illumination changes from shallow to deep
layers of a CNN. Then, the teacher network is used to guide the architecture
searching process of a student network through knowledge distillation. After
that, we use the teacher network again to transfer knowledge to the student
network by knowledge distillation. Experimental results on the Statefarm
Distracted Driver Detection Dataset and AUC Distracted Driver Dataset show that
the proposed approach is highly effective for recognizing distracted driving
behaviors from photos: (1) the teacher network's accuracy surpasses the
previous best accuracy; (2) the student network achieves very high accuracy
with only 0.42M parameters (around 55% of the previous most lightweight model).
Furthermore, the student network architecture can be extended to a
spatial-temporal 3D CNN for recognizing distracted driving from video clips.
The 3D student network largely surpasses the previous best accuracy with only
2.03M parameters on the Drive&Act Dataset. The source code is available at
https://github.com/Dichao-Liu/Lightweight_Distracted_Driver_Recognition_with_Distillation-Based_NAS_ and_Knowledge_Transfer.
- Abstract（参考訳）: 近年、世界各国で交通事故が相次いで増加している。
多くの事故は、運転から注意をそらしたドライバーによって引き起こされる。
コンピュータビジョンにおける畳み込みニューラルネットワーク(cnns)の成功に動機づけられた多くの研究者は、ダッシュカムからの注意をそらした運転を認識し、安全でない行動をドライバーに警告するcnnベースのアルゴリズムを開発した。
しかし、現在のモデルにはパラメータが多すぎるため、車載コンピューティングでは不可能である。
この問題を解決するための知識蒸留に基づく新しいフレームワークを提案する。
提案フレームワークはまず,CNNの浅い層から深い層への照明変化に対する頑健さを徐々に強化し,高性能な教師ネットワークを構築する。
次に、教師ネットワークを用いて、知識蒸留による学生ネットワークのアーキテクチャ探索プロセスを指導する。
その後,教師ネットワークを再び利用して,知識蒸留による学生ネットワークに知識を伝達する。
statefarm distracted driver detection dataset と auc distracted driver dataset を用いた実験の結果,提案手法は,(1)教師ネットワークの精度が従来の最高精度を上回り,(2)学生ネットワークは0.12mのパラメータしか持たず,精度が非常に高い(これまでの軽量モデルの約55%)。
さらに、学生ネットワークアーキテクチャは、ビデオクリップから逸脱した運転を認識するために、時空間3DCNNに拡張することができる。
3Dの学生ネットワークは、Drive&Act Dataset上の2.03Mパラメータだけで、これまでの最高精度を大きく上回っている。
ソースコードはhttps://github.com/Dichao-Liu/Lightweight_Distracted_Driver_Recognition_with_Distillation-Based_NAS_ and_Knowledge_Transferで公開されている。
関連論文リスト
- Blind-Spot Collision Detection System for Commercial Vehicles Using
Multi Deep CNN Architecture [0.17499351967216337]
高レベル特徴記述子に基づく2つの畳み込みニューラルネットワーク(CNN)は、重車両の盲点衝突を検出するために提案される。
盲点車両検出のための高次特徴抽出のための2つの事前学習ネットワークを統合するために,融合手法を提案する。
機能の融合により、より高速なR-CNNの性能が大幅に向上し、既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-08-17T11:10:37Z) - Paint and Distill: Boosting 3D Object Detection with Semantic Passing
Network [70.53093934205057]
ライダーやカメラセンサーからの3Dオブジェクト検出タスクは、自動運転に不可欠である。
本研究では,既存のライダーベース3D検出モデルの性能向上を図るために,SPNetという新しいセマンティックパスフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-12T12:35:34Z) - Federated Deep Learning Meets Autonomous Vehicle Perception: Design and
Verification [168.67190934250868]
フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。
FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。
マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
論文 参考訳（メタデータ） (2022-06-03T23:55:45Z) - itKD: Interchange Transfer-based Knowledge Distillation for 3D Object
Detection [3.735965959270874]
本稿では,チャネルワイド圧縮と非圧縮を含むオートエンコーダスタイルのフレームワークを提案する。
教師ネットワークのマップビュー特徴を学習するために、教師ネットワークと学生ネットワークの機能は、共有オートエンコーダを介して独立して渡される。
マルチヘッド自己認識機構によって引き起こされた3次元物体検出情報と一致するように,頭部の注意損失を示す。
論文 参考訳（メタデータ） (2022-05-31T04:25:37Z) - Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
3D MOT問題に対する統一型学習型アプローチを提案します。
我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。
AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
論文 参考訳（メタデータ） (2021-04-23T17:59:28Z) - Driving Style Representation in Convolutional Recurrent Neural Network
Model of Driver Identification [8.007800530105191]
運転スタイルのための高忠実度表現を構築するために,D-CRNNと呼ばれるディープ・ニューラル・ネットワークアーキテクチャを提案する。
CNNを用いて、軌道からの運転行動の意味的パターンをキャプチャする。
次に、RNNを用いて駆動スタイルをエンコードするこれらのセマンティックパターン間の時間的依存関係を見つけ出す。
論文 参考訳（メタデータ） (2021-02-11T04:33:43Z) - Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data
Augmentation [77.60050239225086]
実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。
私達のアプローチは人間の相互作用なしで完全に自動です。
VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-15T03:03:38Z) - Drive-Net: Convolutional Network for Driver Distraction Detection [2.485182034310304]
本稿では,運転注意障害検出のための自動教師付き学習手法Drive-Netを提案する。
Drive-Netは、畳み込みニューラルネットワーク(CNN)とランダムな決定森林を組み合わせて、運転者の画像を分類する。
その結果,Drive-Netは95%の精度で検出できることがわかった。
論文 参考訳（メタデータ） (2020-06-22T19:54:53Z) - Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。
本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。
その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
論文 参考訳（メタデータ） (2020-06-04T08:59:17Z) - DriftNet: Aggressive Driving Behavior Classification using 3D
EfficientNet Architecture [1.8734449181723827]
アグレッシブ・ドリフト(Aggressive driving, 自動車のドリフト)は、人間の安全と生命を重大な危険に晒す危険な行動である。
ディープラーニングの最近の技術は、異なる文脈における異常検出のための新しいアプローチを提案した。
本稿では,アグレッシブな運転行動の検出に応用した新しい異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-18T08:36:04Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳（メタデータ） (2020-03-03T07:27:44Z)
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。