論文の概要: Fine-Tuning YOLOv5 with Genetic Algorithm For Helmet Violation Detection
- arxiv url: http://arxiv.org/abs/2304.09248v1
- Date: Thu, 13 Apr 2023 22:04:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-23 04:06:12.288384
- Title: Fine-Tuning YOLOv5 with Genetic Algorithm For Helmet Violation Detection
- Title（参考訳）: ヘルメット換気検出のための遺伝的アルゴリズムを用いた細調整YOLOv5
- Authors: Elham Soltanikazemi, Armstrong Aboah, Elizabeth Arthur, Bijaya Kumar
Hatuwal
- Abstract要約: 本研究は、ヘルメット法に違反する問題と、オートバイ乗りと乗客の両方にとって潜在的危険について論じる。
これまで、リアルタイムのヘルメット違反検出の試みは、リアルタイムに動作できないために制限されていた。
提案手法は、この分野における注目すべきブレークスルーであり、オートバイの安全性を著しく向上させる可能性を秘めている。
- 参考スコア（独自算出の注目度）: 5.735035463793008
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The present study addresses the issue of non-compliance with helmet laws and
the potential danger to both motorcycle riders and passengers. Despite the
well-established advantages of helmet usage, compliance remains a formidable
challenge in many regions of the world, with various factors contributing to
the issue. To mitigate this concern, real-time monitoring and enforcement of
helmet laws have been advocated as a plausible solution. However, previous
attempts at real-time helmet violation detection have been limited by their
inability to operate in real-time. To remedy this issue, the current paper
proposes a real-time helmet violation detection system utilizing a single-stage
object detection model called YOLOv5. The model was trained on the 2023 NVIDIA
AI City Challenge Track 5 dataset and employed genetic algorithms in selecting
the optimal hyperparameters for training the model. Furthermore, data
augmentation techniques such as flip, and rotation were implemented to improve
model performance. The efficacy of the model was assessed using mean average
precision (mAP). Our developed model achieved an mAP score of 0.5377 on the
experimental test data which won 10th place on the public leaderboard. The
proposed approach represents a noteworthy breakthrough in the field and holds
the potential to significantly improve motorcycle safety.
- Abstract（参考訳）: 本研究は、ヘルメット法に違反する問題と、オートバイ乗りと乗客の両方にとって潜在的危険について論じる。
ヘルメットの使用が確立された利点にもかかわらず、コンプライアンスは世界中の多くの地域で大きな課題であり、さまざまな要因がこの問題に寄与している。
この懸念を和らげるために、ヘルメット法をリアルタイムに監視し、施行することが妥当な解決策として提唱されている。
しかしながら、リアルタイムヘルメット違反検出の試みは、リアルタイムに動作できないため、制限されている。
この問題に対処するため,本稿では,ヨロフ5と呼ばれる単段物体検出モデルを用いたリアルタイムヘルメット違反検出システムを提案する。
このモデルは2023年のnvidia ai city challenge track 5データセットでトレーニングされ、モデルのトレーニングに最適なハイパーパラメータを選択するために遺伝的アルゴリズムを用いた。
さらに、モデル性能を向上させるために、フリップや回転などのデータ拡張技術を実装した。
モデルの有効性を平均平均精度(mAP)を用いて評価した。
開発したモデルでは, 実験データで0.5377点のマップスコアを達成し, トップボードで10位となった。
提案手法は、この分野における注目すべきブレークスルーであり、オートバイの安全性を著しく向上させる可能性を秘めている。
関連論文リスト
- Evaluating Vision-Language Models for Zero-Shot Detection, Classification, and Association of Motorcycles, Passengers, and Helmets [0.0]
本研究では,映像データを用いたオートバイ利用者のヘルメット着用状況の検出と分類において,高度な視覚言語基盤モデルOWLv2の有効性について検討した。
我々は、OWLv2とCNNモデルを統合して、検出および分類タスクにカスケードモデルアプローチを採用する。
結果は、不完全で偏りのあるトレーニングデータセットから生じる課題に対処するためのゼロショット学習の可能性を強調している。
論文 参考訳（メタデータ） (2024-08-05T05:30:36Z) - Safety-Driven Deep Reinforcement Learning Framework for Cobots: A Sim2Real Approach [1.0488553716155147]
本研究では,深部強化学習(DRL)におけるロボットシミュレーションに安全性制約を取り入れた新しい手法を提案する。
このフレームワークは、速度制約のような安全要件の特定の部分をDRLモデルに直接統合する。
提案手法は,テストシナリオの平均成功率を16.5%向上させる。
論文 参考訳（メタデータ） (2024-07-02T12:56:17Z) - The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。
今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。
競争は15の最高パフォーマンスのソリューションで頂点に達した。
論文 参考訳（メタデータ） (2024-05-14T17:59:57Z) - Better YOLO with Attention-Augmented Network and Enhanced Generalization Performance for Safety Helmet Detection [16.09131958448249]
本稿では,GhostNetv2に基づく軽量な特徴抽出ネットワークのバックボーンを組み込むことにより,新しいアプローチを提案する。
安全クリティカルな環境では、安全ヘルメットの正確な検出と速度は、作業上の危険を防止し、安全プロトコルの遵守を確保する上で重要な役割を担っている。
論文 参考訳（メタデータ） (2024-05-04T07:13:47Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - 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) - Real-Time Helmet Violation Detection Using YOLOv5 and Ensemble Learning [4.397520291340696]
本稿では,バイクの乗客や乗客をリアルタイムに検出する YOLOv5 Deep Learning (DL) モデルの開発と評価について述べる。
私たちは、20秒毎に10fpsで記録された100のビデオでモデルをトレーニングしました。
提案されたモデルは100の試験ビデオでテストされ、mAPスコアは0.5267で、AIシティトラック5の公開リーダーボードで11位にランクインした。
論文 参考訳（メタデータ） (2023-04-14T14:15:56Z) - Real-time Multi-Class Helmet Violation Detection Using Few-Shot Data
Sampling Technique and YOLOv8 [11.116729994007686]
本研究では,頑健なリアルタイムヘルメット違反検出システムを提案する。
提案手法は,2023年のAI City Challenge, Track 5において,mAPスコア0.5861で7位となった。
論文 参考訳（メタデータ） (2023-04-13T21:13:55Z) - Imitation Is Not Enough: Robustifying Imitation with Reinforcement
Learning for Challenging Driving Scenarios [147.16925581385576]
シミュレーション学習と強化学習を組み合わせることで,運転方針の安全性と信頼性が大幅に向上することを示す。
都会の運転データ100万マイル以上でポリシーを訓練し、異なるレベルの衝突確率でグループ化されたテストシナリオにおける有効性を測定する。
論文 参考訳（メタデータ） (2022-12-21T23:59:33Z) - R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of
Dynamic Scenes [69.6715406227469]
駆動シナリオにおける自己教師付き単眼深度推定は、教師付きアプローチに匹敵する性能を達成した。
本稿では,自己監督型深度推定フレームワーク上に費用効率の高いレーダデータを利用する新しい手法であるR4Dynを提案する。
論文 参考訳（メタデータ） (2021-08-10T17:57:03Z) - Can Autonomous Vehicles Identify, Recover From, and Adapt to
Distribution Shifts? [104.04999499189402]
トレーニング外の配布(OOD)シナリオは、デプロイ時にエージェントを学ぶ上で一般的な課題である。
インプロバスト模倣計画(RIP)と呼ばれる不確実性を考慮した計画手法を提案する。
提案手法は,OODシーンにおける過信および破滅的な外挿を低減し,分布変化を検知し,回復することができる。
分散シフトを伴うタスク群に対する駆動エージェントのロバスト性を評価するために,自動走行車ノベルシーンベンチマークであるtexttCARNOVEL を導入する。
論文 参考訳（メタデータ） (2020-06-26T11:07:32Z)
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。