Fugu-MT 論文翻訳(概要): Suspicious Vehicle Detection Using Licence Plate Detection And Facial Feature Recognition

論文の概要: Suspicious Vehicle Detection Using Licence Plate Detection And Facial Feature Recognition

arxiv url: http://arxiv.org/abs/2304.14507v1
Date: Tue, 18 Apr 2023 06:44:08 GMT
ステータス: 処理完了
システム内更新日: 2023-05-07 16:13:21.079287
Title: Suspicious Vehicle Detection Using Licence Plate Detection And Facial Feature Recognition
Title（参考訳）: ライセンスプレート検出と顔特徴認識を用いた不審車両検出
Authors: Vrinda Agarwal, Aaron George Pichappa, Manideep Ramisetty, Bala Murugan MS, Manoj kumar Rajagopal
Abstract要約: 本論文の主目的は,走行中の犯罪者や盗難車両の車両の安全とリアルタイム追跡を確保するために,顔認識とナンバープレート認識を組み合わせたモデルを開発することである。
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: With the increasing need to strengthen vehicle safety and detection, the availability of pre-existing methods of catching criminals and identifying vehicles manually through the various traffic surveillance cameras is not only time-consuming but also inefficient. With the advancement of technology in every field the use of real-time traffic surveillance models will help facilitate an easy approach. Keeping this in mind, the main focus of our paper is to develop a combined face recognition and number plate recognition model to ensure vehicle safety and real-time tracking of running-away criminals and stolen vehicles.
Abstract（参考訳）: 車両の安全性と検出を強化する必要性が高まっているため、犯罪者を捕まえ、様々な交通監視カメラを通して手動で車両を識別する既存の方法が利用できるようになった。あらゆる分野における技術の進歩により、リアルタイム交通監視モデルの使用は、容易なアプローチに役立つだろう。これを念頭に置いて,本論文は,逃走犯や盗難車両の安全とリアルタイム追跡を確保するために,顔認識とナンバープレート認識を組み合わせたモデルを開発することを目的としている。

関連論文リスト

Real-Time Detection and Analysis of Vehicles and Pedestrians using Deep Learning [0.0]
現在の交通監視システムは、小さな物体や歩行者をリアルタイムで効果的に認識する上で大きな困難に直面している。本研究は、車や人の正確なリアルタイム認識のための複雑な視覚入力を処理できる高度なディープラーニングフレームワークの作成と検証に重点を置いている。 YOLOv8 大型モデルは、特に歩行者認識において最も効果的で、精度と堅牢性が高いことが判明した。
論文参考訳（メタデータ） (2024-04-11T18:42:14Z)
Enhancing Vehicle Entrance and Parking Management: Deep Learning Solutions for Efficiency and Security [0.6963706761322421]
あらゆる組織における車両の入場と駐車は、記録保持、効率性、セキュリティ上の懸念を含む複雑な課題である。我々は最先端のディープラーニングモデルを活用し、あらゆる組織に車両の進入と駐車のプロセスを自動化した。車両検出,ナンバープレート検出,顔検出,認識などの深層学習モデルの訓練を行ったが,YOLOv8nモデルは他のモデルよりも優れていた。
論文参考訳（メタデータ） (2023-12-05T12:02:53Z)
Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts, Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。両センサと融合に関する概念と特徴を提示する。本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文参考訳（メタデータ） (2023-03-08T00:48:32Z)
FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文参考訳（メタデータ） (2022-12-05T08:25:09Z)
Computer vision based vehicle tracking as a complementary and scalable approach to RFID tagging [0.0]
RFIDタグ付けは、ロジスティクスと技術面での車両追跡ソリューションのスケーラビリティを損なう。我々は、コンピュータビジョンアルゴリズムの公開実装を活用して、解釈可能な車両追跡アルゴリズムを開発する。システム展開サイトから75本のビデオクリップ285本について,提案手法の評価を行った。
論文参考訳（メタデータ） (2022-09-13T11:49:38Z)
Review on Action Recognition for Accident Detection in Smart City Transportation Systems [0.0]
異なる監視カメラを使用してスマートシティの交通の流れを監視することは、事故を認識し、最初の応答者を警告する上で重要な役割を果たす。コンピュータビジョンタスクにおける行動認識(AR)の利用は、ビデオ監視、医療画像、デジタル信号処理における高精度な応用に寄与している。本稿では,自動運転車や公共交通安全システムにおける事故検出システムの開発と統合に向けた研究の方向性について述べる。
論文参考訳（メタデータ） (2022-08-20T03:21:44Z)
Safety-aware Motion Prediction with Unseen Vehicles for Autonomous Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文参考訳（メタデータ） (2021-09-03T13:33:33Z)
Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。 5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文参考訳（メタデータ） (2021-03-26T01:18:11Z)
Self-Supervised Steering Angle Prediction for Vehicle Control Using Visual Odometry [55.11913183006984]
視覚オドメトリー法を用いて推定したカメラポーズを用いて,車両の軌道制御をモデルに訓練する方法を示す。車両の前方にカメラを設置することにより,複数の異なる走行経路からの軌跡情報を活用するスケーラブルなフレームワークを提案する。
論文参考訳（メタデータ） (2021-03-20T16:29:01Z)
V2VNet: Vehicle-to-Vehicle Communication for Joint Perception and Prediction [74.42961817119283]
車両間通信(V2V)を用いて、自動運転車の知覚と運動予測性能を向上させる。複数の車両から受信した情報をインテリジェントに集約することで、異なる視点から同じシーンを観察することができる。
論文参考訳（メタデータ） (2020-08-17T17:58:26Z)
Deep Learning Based Traffic Surveillance System For Missing and Suspicious Car Detection [0.0]
本稿では,盗難・盗難車検出のためのディープラーニングに基づく自動交通監視システムを提案する。 Select-Detector, Image Quality Enhancer, Image Transformer, Smart Recognizerの4つの部分で構成されている。提案手法の有効性は、政府のCCTVカメラの映像で検証され、盗難・盗難車両を87%の精度で識別する結果となった。
論文参考訳（メタデータ） (2020-07-17T07:18:12Z)

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。