論文の概要: Voice-Assisted Real-Time Traffic Sign Recognition System Using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2404.07807v1
• Date: Thu, 11 Apr 2024 14:51:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 13:40:16.757307
• Title: Voice-Assisted Real-Time Traffic Sign Recognition System Using Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いた音声支援リアルタイム交通信号認識システム
• Authors: Mayura Manawadu, Udaya Wijenayake,
• Abstract要約: 本研究では,運転者を支援する音声支援リアルタイム交通信号認識システムを提案する。 訓練された畳み込みニューラルネットワーク(CNN)を用いて交通標識の検出と認識を行う。 特定の交通標識を認識した後、テキスト音声エンジンを用いてドライバに音声メッセージとしてナレーションする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Traffic signs are important in communicating information to drivers. Thus, comprehension of traffic signs is essential for road safety and ignorance may result in road accidents. Traffic sign detection has been a research spotlight over the past few decades. Real-time and accurate detections are the preliminaries of robust traffic sign detection system which is yet to be achieved. This study presents a voice-assisted real-time traffic sign recognition system which is capable of assisting drivers. This system functions under two subsystems. Initially, the detection and recognition of the traffic signs are carried out using a trained Convolutional Neural Network (CNN). After recognizing the specific traffic sign, it is narrated to the driver as a voice message using a text-to-speech engine. An efficient CNN model for a benchmark dataset is developed for real-time detection and recognition using Deep Learning techniques. The advantage of this system is that even if the driver misses a traffic sign, or does not look at the traffic sign, or is unable to comprehend the sign, the system detects it and narrates it to the driver. A system of this type is also important in the development of autonomous vehicles.
• Abstract（参考訳）: 交通標識はドライバーに情報を伝える上で重要である。 したがって、道路の安全と無知のためには交通標識の理解が不可欠であり、道路事故が発生する可能性がある。 過去数十年間、交通標識検出は研究のスポットライトだった。 リアルタイムかつ正確な検出は、まだ達成されていないロバストな信号検出システムの予備機能である。 本研究では,運転者を支援する音声支援リアルタイム交通信号認識システムを提案する。 このシステムは2つのサブシステムの下で機能する。 最初は、訓練された畳み込みニューラルネットワーク(CNN)を用いて、交通標識の検出と認識を行う。 特定の交通標識を認識した後、テキスト音声エンジンを用いてドライバに音声メッセージとしてナレーションする。 ディープラーニング技術を用いたリアルタイム検出と認識のために,ベンチマークデータセットの効率的なCNNモデルを開発した。 このシステムの利点は、運転者が信号機を見逃したり、信号機を見なかったり、信号機を理解できなかったりしても、システムはそれを検知して運転者に伝えてしまうことである。 このタイプのシステムは、自動運転車の開発においても重要である。

関連論文リスト

• Optimized Detection and Classification on GTRSB: Advancing Traffic Sign Recognition with Convolutional Neural Networks [0.0]
  本稿では,CNNの精度を96%近く向上する革新的な手法を提案する。 高度なローカライゼーション技術によってさらに精度が向上する可能性を強調している。
  論文  参考訳（メタデータ） (2024-03-13T06:28:37Z)
• Real-Time Traffic Sign Detection: A Case Study in a Santa Clara Suburban Neighborhood [2.4087090457198435]
  プロジェクトの主な目的は、さまざまなトラフィックサインイメージのデータセット上でYOLOv5モデルをトレーニングし、適切なハードウェアプラットフォームにモデルをデプロイすることである。 本システムの性能は,交通信号の検出精度,リアルタイム処理速度,全体的な信頼性に基づいて評価する。
  論文  参考訳（メタデータ） (2023-10-14T17:52:28Z)
• A Machine Learning Method for Predicting Traffic Signal Timing from Probe Vehicle Data [2.479294896735424]
  信号位相とタイミングデータを知ることで、時間とエネルギー効率の最適な車両ルーティングが可能になる。 車両プローブデータから交通信号のタイミング情報を推定する機械学習(ML)手法を提案する。
  論文  参考訳（メタデータ） (2023-08-04T15:10:07Z)
• 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 [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)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Traffic Signs Detection and Recognition System using Deep Learning [0.0]
  本稿では,交通標識をリアルタイムに検出・認識するためのアプローチについて述べる。 マルチオブジェクト検出システムの最先端技術を用いて,交通信号検出問題に取り組む。 この論文の焦点は、F-RCNN Inception v2とTiny YOLO v2が最高の結果を得たときのものである。
  論文  参考訳（メタデータ） (2020-03-06T14:54:40Z)

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。