Fugu-MT 論文翻訳(概要): One shot learning based drivers head movement identification using a millimetre wave radar sensor

論文の概要: One shot learning based drivers head movement identification using a millimetre wave radar sensor

arxiv url: http://arxiv.org/abs/2306.05291v1
Date: Wed, 31 May 2023 14:52:42 GMT
ステータス: 処理完了
システム内更新日: 2023-06-11 13:18:10.931544
Title: One shot learning based drivers head movement identification using a millimetre wave radar sensor
Title（参考訳）: ミリ波レーダセンサを用いたワンショット学習ドライバの頭部運動同定
Authors: Hong Nhung Nguyen, Seongwook Lee, Tien Tung Nguyen, Yong Hwa Kim
Abstract要約: 著者らは、ドライバーの頭部運動の4つのケースを分類するために、ワンショット学習を提案する。実験結果から,提案手法は,運転者の頭部の動きに応じて,最大100の精度で4種類の症例を分類できることが示唆された。
参考スコア（独自算出の注目度）: 3.3951409945654607
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Concentration of drivers on traffic is a vital safety issue; thus, monitoring a driver being on road becomes an essential requirement. The key purpose of supervision is to detect abnormal behaviours of the driver and promptly send warnings to him her for avoiding incidents related to traffic accidents. In this paper, to meet the requirement, based on radar sensors applications, the authors first use a small sized millimetre wave radar installed at the steering wheel of the vehicle to collect signals from different head movements of the driver. The received signals consist of the reflection patterns that change in response to the head movements of the driver. Then, in order to distinguish these different movements, a classifier based on the measured signal of the radar sensor is designed. However, since the collected data set is not large, in this paper, the authors propose One shot learning to classify four cases of driver's head movements. The experimental results indicate that the proposed method can classify the four types of cases according to the various head movements of the driver with a high accuracy reaching up to 100. In addition, the classification performance of the proposed method is significantly better than that of the convolutional neural network model.
Abstract（参考訳）: 交通機関へのドライバーの集中は重要な安全問題であり、道路上のドライバーの監視が必須条件となっている。監視の主な目的は、運転者の異常な行動を検出し、交通事故に関連する事故を避けるため、直ちに警告を送ることである。本稿では,この要求を満たすため,著者らはまず,車両の操舵輪に設置した小型ミリメートル波レーダを用いて,運転者の頭部の動きの異なる信号を集める。受信信号はドライバの頭部の動きに応じて変化する反射パターンで構成される。そして、これらの異なる動きを識別するために、レーダセンサの測定信号に基づく分類器を設計する。しかし, 収集したデータセットはそれほど大きくないため, 筆者らは運転者の頭部運動の4症例を分類するためにワンショット学習を提案する。実験結果から,提案手法は,運転者の頭部の動きに応じて,最大100の精度で4種類の症例を分類できることが示唆された。さらに,提案手法の分類性能は畳み込みニューラルネットワークモデルよりも有意に優れている。

関連論文リスト

Robust Traffic Light Detection Using Salience-Sensitive Loss: Computational Framework and Evaluations [0.3061098887924466]
本稿では,運転者の将来の判断に影響を及ぼす信号として,信号機の定義に焦点をあてた交通信号検出モデルを提案する。次に、このサリエンス特性を用いて、注釈付きサリエンス特性を持つ米国初のトラヒックライトデータセットであるLAVA Salient Lightsデータセットを構築する。本研究では,Salience-Sensitive Focal Lossを用いたDeformable DETRオブジェクト検出トランスモデルを訓練し,サリアント信号の高機能化を図る。
論文参考訳（メタデータ） (2023-05-08T07:22:15Z)
Infrastructure-based End-to-End Learning and Prevention of Driver Failure [68.0478623315416]
フェールネットは、規模が拡大したミニ都市において、名目上と無謀なドライバーの両方の軌道上で、エンドツーエンドでトレーニングされた、繰り返しニューラルネットワークである。制御障害、上流での認識エラー、ドライバーのスピードを正確に識別し、名目運転と区別することができる。速度や周波数ベースの予測器と比較すると、FailureNetのリカレントニューラルネットワーク構造は予測能力を向上し、ハードウェアにデプロイすると84%以上の精度が得られる。
論文参考訳（メタデータ） (2023-03-21T22:55:51Z)
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 [50.936478241688114]
非客観的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。提案モデルでは,既存の手法に対して強い優位性を示し,2つのドライバー注意ベンチマークデータセットの性能向上を実現している。
論文参考訳（メタデータ） (2022-12-05T08:25:09Z)
Modelling and Detection of Driver's Fatigue using Ontology [60.090278944561184]
道路事故は世界8大死因である。様々な要因がドライバーの疲労の原因となっている。ドライバの疲労検出に関するオントロジー知識とルールをインテリジェントシステムに統合する必要がある。
論文参考訳（メタデータ） (2022-08-31T08:42:28Z)
Driving Anomaly Detection Using Conditional Generative Adversarial Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文参考訳（メタデータ） (2022-03-15T22:10:01Z)
Markov Switching Model for Driver Behavior Prediction: Use cases on Smartphones [4.576379639081977]
スマートフォンを用いた低コストデータ収集ソリューションによって検証された運転行動切替モデルを提案する。提案モデルでは,短時間の運転行動を予測するために,実データを用いて検証を行う。
論文参考訳（メタデータ） (2021-08-29T09:54:05Z)
Complex-valued Convolutional Neural Networks for Enhanced Radar Signal Denoising and Interference Mitigation [73.0103413636673]
本稿では,レーダセンサ間の相互干渉問題に対処するために,複合価値畳み込みニューラルネットワーク(CVCNN)を提案する。 CVCNNはデータ効率を高め、ネットワークトレーニングを高速化し、干渉除去時の位相情報の保存を大幅に改善する。
論文参考訳（メタデータ） (2021-04-29T10:06:29Z)
Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
論文参考訳（メタデータ） (2021-02-10T03:09:13Z)
Driver Drowsiness Classification Based on Eye Blink and Head Movement Features Using the k-NN Algorithm [8.356765961526955]
この研究は、ドライバー監視カメラの信号を用いて、車両内の運転者の眠気検知を拡張することを目的としている。この目的のために、運転シミュレータ実験において、運転者の点眼行動と頭部運動に関連する35の特徴を抽出する。最高の特徴セットの分析は、運転者の瞬き行動と頭部の動きに対する眠気の影響についての貴重な洞察を与える。
論文参考訳（メタデータ） (2020-09-28T12:37:38Z)
Driver Intention Anticipation Based on In-Cabin and Driving Scene Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文参考訳（メタデータ） (2020-06-20T11:56:32Z)

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。