Fugu-MT 論文翻訳(概要): Real-time Driver Monitoring Systems on Edge AI Device

論文の概要: Real-time Driver Monitoring Systems on Edge AI Device

arxiv url: http://arxiv.org/abs/2304.01555v1
Date: Tue, 4 Apr 2023 06:15:53 GMT
ステータス: 処理完了
システム内更新日: 2023-04-05 15:05:52.283325
Title: Real-time Driver Monitoring Systems on Edge AI Device
Title（参考訳）: エッジAIデバイスを用いたリアルタイムドライバモニタリングシステム
Authors: Jyothi Hariharan, Rahul Rama Varior, Sunil Karunakaran
Abstract要約: 本稿では,ハードウェアアクセラレータベースのエッジデバイス上で動作するリアルタイムDMSシステムを提案する。システムは、ドライバーの映像を記録する赤外線カメラと、データを処理するエッジデバイスで構成される。最終DMSシステムは、TI-TDA4VMエッジデバイス上で毎秒63フレーム(FPS)を達成する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As road accident cases are increasing due to the inattention of the driver, automated driver monitoring systems (DMS) have gained an increase in acceptance. In this report, we present a real-time DMS system that runs on a hardware-accelerator-based edge device. The system consists of an InfraRed camera to record the driver footage and an edge device to process the data. To successfully port the deep learning models to run on the edge device taking full advantage of the hardware accelerators, model surgery was performed. The final DMS system achieves 63 frames per second (FPS) on the TI-TDA4VM edge device.
Abstract（参考訳）: 運転者の不注意による交通事故の増加に伴い、自動運転監視システム(DMS)の受容度が高まっている。本稿では,ハードウェアアクセラレータベースのエッジデバイス上で動作するリアルタイムdmsシステムを提案する。システムは、ドライバーの映像を記録する赤外線カメラと、データを処理するエッジデバイスで構成される。ハードウェアアクセラレーションを最大限に活用してエッジデバイス上で動作するディープラーニングモデルをうまく移植するために,モデル手術を行った。最終DMSシステムはTI-TDA4VMエッジデバイス上で毎秒63フレームを達成する。

関連論文リスト

Efficient Mixture-of-Expert for Video-based Driver State and Physiological Multi-task Estimation in Conditional Autonomous Driving [12.765198683804094]
道路の安全は世界中で重要な課題であり、交通事故による死者は約135万人である。 VDMoEと呼ばれる新しいマルチタスクDMSを提案し、RGBビデオ入力を利用して運転状態を非侵襲的に監視する。
論文参考訳（メタデータ） (2024-10-28T14:49:18Z)
Efficient Driving Behavior Narration and Reasoning on Edge Device Using Large Language Models [16.532357621144342]
大規模言語モデル(LLM)は、人間の知覚と同じような精度で、運転シーンや行動を記述することができる。エッジデバイスにLLMを適用した運転行動ナレーションと推論フレームワークを提案する。実験により,エッジデバイスに展開したLCMは,応答速度が良好であることが確認された。
論文参考訳（メタデータ） (2024-09-30T15:03:55Z)
Real-Time Pedestrian Detection on IoT Edge Devices: A Lightweight Deep Learning Approach [1.4732811715354455]
本研究では,AIoT(Artificial Intelligence of Things)エッジデバイス上での軽量ディープラーニングモデルの実装について検討する。 You Only Look Once (YOLO)ベースのDLモデルは、リアルタイムな歩行者検出のためにデプロイされる。シミュレーションの結果、最適化されたYOLOモデルは、高速な推論速度147ミリ秒、フレームレート2.3フレーム/秒、精度78%でリアルタイムな歩行者検出を実現できることが示された。
論文参考訳（メタデータ） (2024-09-24T04:48:41Z)
Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文参考訳（メタデータ） (2023-12-14T09:46:16Z)
G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2023-12-13T23:06:30Z)
DADFNet: Dual Attention and Dual Frequency-Guided Dehazing Network for Video-Empowered Intelligent Transportation [79.18450119567315]
逆の気象条件は、ビデオベースの交通監視に深刻な課題をもたらす。本稿では,リアルタイム視認性向上のための2つの注意と2つの周波数誘導型脱ハージングネットワーク(DADFNet)を提案する。
論文参考訳（メタデータ） (2023-04-19T11:55:30Z)
Identification of Driver Phone Usage Violations via State-of-the-Art Object Detection with Tracking [8.147652597876862]
道路沿いのカメラで人間の介入を必要とせずに運転者用電話機の使用状況を把握できる、カスタムトレーニングされた最先端物体検出器を提案する。提案手法はウインドスクリーンのグラアに起因する問題にも対処し、これを改善するために必要なステップを紹介している。
論文参考訳（メタデータ） (2021-09-05T16:37:03Z)
Achieving Real-Time LiDAR 3D Object Detection on a Mobile Device [53.323878851563414]
本稿では,強化学習技術を用いたネットワーク拡張とpruning検索を組み込んだコンパイラ対応統一フレームワークを提案する。具体的には,リカレントニューラルネットワーク(RNN)を用いて,ネットワークの強化とプルーニングの両面での統一的なスキームを自動で提供する。提案手法は,モバイルデバイス上でのリアルタイム3次元物体検出を実現する。
論文参考訳（メタデータ） (2020-12-26T19:41:15Z)
DMD: A Large-Scale Multi-Modal Driver Monitoring Dataset for Attention and Alertness Analysis [54.198237164152786]
視覚は運転監視システム(DMS)の最も豊かで費用対効果の高い技術である十分に大規模で包括的なデータセットの欠如は、DMS開発の進展のボトルネックとなっている。本稿では,実運転シナリオとシミュレーション運転シナリオを含む広範囲なデータセットであるドライバモニタリングデータセット(DMD)を紹介する。
論文参考訳（メタデータ） (2020-08-27T12:33:54Z)
A Survey and Tutorial of EEG-Based Brain Monitoring for Driver State Analysis [164.93739293097605]
EEGは運転状態のモニタリングとヒューマンエラー検出において最も効果的な方法の1つであることが証明されている。本稿では,過去30年間の脳波に基づく運転状態検出システムとその解析アルゴリズムについて論じる。現在のEEGベースの運転状態監視アルゴリズムは、安全アプリケーションに有望である、と結論付けている。
論文参考訳（メタデータ） (2020-08-25T18:21:35Z)

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。