論文の概要: Federated Learning for Drowsiness Detection in Connected Vehicles

• arxiv url: http://arxiv.org/abs/2405.03311v1
• Date: Mon, 6 May 2024 09:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 14:15:50.990067
• Title: Federated Learning for Drowsiness Detection in Connected Vehicles
• Title（参考訳）: 連結車両の眠気検知のためのフェデレーション学習
• Authors: William Lindskog, Valentin Spannagl, Christian Prehofer,
• Abstract要約: ドライバー監視システムは、ドライバーの状態を決定するのを助けることができる。 ドライバーの眠気検出は潜在的な解決策を示す。 モデルトレーニングのためにデータを中央マシンに送信するのは、大規模なデータサイズとプライバシの懸念のため、現実的ではありません。 本稿では,YawDDデータセットを活用して,車両ネットワーク内での眠気検出のためのフェデレート学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.19116784879310028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring driver readiness poses challenges, yet driver monitoring systems can assist in determining the driver's state. By observing visual cues, such systems recognize various behaviors and associate them with specific conditions. For instance, yawning or eye blinking can indicate driver drowsiness. Consequently, an abundance of distributed data is generated for driver monitoring. Employing machine learning techniques, such as driver drowsiness detection, presents a potential solution. However, transmitting the data to a central machine for model training is impractical due to the large data size and privacy concerns. Conversely, training on a single vehicle would limit the available data and likely result in inferior performance. To address these issues, we propose a federated learning framework for drowsiness detection within a vehicular network, leveraging the YawDD dataset. Our approach achieves an accuracy of 99.2%, demonstrating its promise and comparability to conventional deep learning techniques. Lastly, we show how our model scales using various number of federated clients
• Abstract（参考訳）: 運転準備の確保は課題を生じさせるが、運転監視システムは運転者の状態を判断するのに役立つ。 視覚的手がかりを観察することにより、これらのシステムは様々な行動を認識し、それらを特定の条件に関連付ける。 例えば、あくびや目まきは運転者の眠気を示すことがある。 これにより、運転監視用の分散データが大量に生成される。 ドライバーの眠気検出などの機械学習技術を採用することで、潜在的な解決策が提示される。 しかし、大規模なデータサイズとプライバシの懸念のため、モデルをトレーニングするために中央マシンにデータを送信することは現実的ではない。 逆に、1台の車両での訓練は利用可能なデータを制限し、性能が低下する可能性がある。 これらの問題に対処するために,YawDDデータセットを活用して,車両ネットワーク内での眠気検知のための連合学習フレームワークを提案する。 提案手法は99.2%の精度を達成し,従来の深層学習技術への期待と適合性を実証した。 最後に、さまざまなフェデレーションクライアントを用いてモデルがどのようにスケールするかを示す。

関連論文リスト

• Cross-Camera Distracted Driver Classification through Feature Disentanglement and Contrastive Learning [13.613407983544427]
  車両内のカメラ位置の変化に耐えられるような頑健なモデルを導入する。 我々のドライバ行動監視ネットワーク(DBMNet)は軽量なバックボーンに依存し、アンタングルメントモジュールを統合する。 100-Driverデータセットの夜間および夜間のサブセットで行った実験は、我々のアプローチの有効性を検証した。
  論文  参考訳（メタデータ） (2024-11-20T10:27:12Z)
• VigilEye -- Artificial Intelligence-based Real-time Driver Drowsiness Detection [0.5549794481031468]
  本研究では,深層学習技術とOpenCVフレームワークを組み合わせた新しいドライバの眠気検知システムを提案する。 このシステムは、運転者の顔から抽出された顔のランドマークを、眠気パターンを認識するために訓練された畳み込みニューラルネットワークに入力する。 提案システムは,運転者の疲労による事故を防止するため,タイムリーな警報を提供することで,道路安全を高めることができる。
  論文  参考訳（メタデータ） (2024-06-21T20:53:49Z)
• Improving automatic detection of driver fatigue and distraction using machine learning [0.0]
  運転者の疲労と注意をそらした運転は交通事故の重要な要因である。 本稿では,視覚に基づくアプローチと機械学習に基づくアプローチを用いて,疲労と注意をそらした運転行動の同時検出手法を提案する。
  論文  参考訳（メタデータ） (2024-01-04T06:33:46Z)
• 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)
• Unsupervised Driving Event Discovery Based on Vehicle CAN-data [62.997667081978825]
  本研究は,車両CANデータのクラスタリングとセグメンテーションを同時に行うことで,一般的な運転イベントを教師なしで識別する手法である。 我々は、実際のTesla Model 3車載CANデータと、異なる運転イベントをアノテートした2時間の運転セッションのデータセットを用いて、アプローチを評価した。
  論文  参考訳（メタデータ） (2023-01-12T13:10:47Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
  自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。 データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。 我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
  論文  参考訳（メタデータ） (2021-06-21T12:28:08Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• 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)
• Training-free Monocular 3D Event Detection System for Traffic Surveillance [93.65240041833319]
  既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。 現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。 本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
  論文  参考訳（メタデータ） (2020-02-01T04:42:57Z)

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。