論文の概要: GreenEye: Development of Real-Time Traffic Signal Recognition System for Visual Impairments

• arxiv url: http://arxiv.org/abs/2410.19840v1
• Date: Mon, 21 Oct 2024 06:27:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 07:21:59.837948
• Title: GreenEye: Development of Real-Time Traffic Signal Recognition System for Visual Impairments
• Title（参考訳）: GreenEye:視覚障害者のためのリアルタイム交通信号認識システムの開発
• Authors: Danu Kim,
• Abstract要約: グリーンアイシステムは交通信号の色を認識し、歩行者が横断歩道をリアルタイムで横断する時間を伝える。 データ不均衡は低い精度をもたらし、異なるクラス間の画像数を安定させるために追加のラベル付けとデータベース形成が行われた。
• 参考スコア（独自算出の注目度）: 0.6216023343793144
• License:
• Abstract: Recognizing a traffic signal, determining if the signal is green or red, and figuring out the time left to cross the crosswalk are significant challenges to visually impaired people. Previous research has focused on recognizing only two traffic signals, green and red lights, using machine learning techniques. The proposed method developed a GreenEye system that recognizes the traffic signals' color and tells the time left for pedestrians to cross the crosswalk in real-time. GreenEye's first training showed the highest precision of 74.6%; four classes reported 40% or lower recognition precision in this training session. The data imbalance caused low precision; thus, extra labeling and database formation were performed to stabilize the number of images between different classes. After the stabilization, all 14 classes showed excelling precision rate of 99.5%.
• Abstract（参考訳）: 信号機を認識し、信号機が緑か赤かを判断し、横断歩道を横断する時間を見つけることは、視覚障害者にとって重要な課題である。 これまでの研究は、機械学習技術を用いて緑と赤の信号のみを認識することに重点を置いてきた。 提案手法は,交通信号の色を認識し,歩行者が横断歩道を横断する時間を伝えるグリーンアイシステムを開発した。 グリーンアイの最初のトレーニングでは74.6%の最高精度を示し、このトレーニングセッションでは4つのクラスが40%以下の認識精度を報告した。 データ不均衡は低い精度をもたらし、異なるクラス間の画像数を安定させるために、追加のラベル付けとデータベース生成が行われた。 安定化後、全14クラスで99.5%の精度で精度が向上した。

関連論文リスト

• Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
  本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。 地上画像ごとに正の衛星画像と負の衛星画像を導き出す。 また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-10T12:57:16Z)
• Voice-Assisted Real-Time Traffic Sign Recognition System Using Convolutional Neural Network [0.0]
  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。
  論文  参考訳（メタデータ） (2024-04-11T14:51:12Z)
• 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)
• Automatic Signboard Recognition in Low Quality Night Images [1.6795461001108096]
  本稿では,低照度,雑音,ぼかしで捉えた画像から交通信号を認識することの課題について述べる。 提案手法は,Yolov4の低画質画像に対して,mAP@0.5で5.40%向上した。 また、GTSDBデータセットでmAP@0.5の100%を達成した。
  論文  参考訳（メタデータ） (2023-08-17T12:26:06Z)
• 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)
• Rolling Colors: Adversarial Laser Exploits against Traffic Light Recognition [18.271698365826552]
  我々は,レーザ干渉をカメラに隠蔽することで,交通信号認識機構を騙す可能性について検討した。 CMOSセンサのローリングシャッターを利用することで、画像内の信号に重なり合ったカラーストライプを注入し、赤信号が緑信号として認識されるか、その逆で認識される可能性がある。 評価では,レッド・ツー・グリーン攻撃とグリーン・ツー・レッド攻撃の最大成功率は30%と86.25%である。
  論文  参考訳（メタデータ） (2022-04-06T08:57:25Z)
• Driving-Signal Aware Full-Body Avatars [49.89791440532946]
  そこで本研究では,駆動信号を意識したフルボディアバターを構築するための学習ベース手法を提案する。 我々のモデルは条件付き変分オートエンコーダであり、不完全な駆動信号でアニメーションできる。 仮想テレプレゼンスのためのフルボディアニメーションの課題に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-05-21T16:22:38Z)
• Road images augmentation with synthetic traffic signs using neural networks [3.330229314824913]
  まれな交通標識の検出と分類のタスクを検討します。 合成トレーニングデータを用いて、その課題の解決を目指します。 本稿では,合成標識を外観に整合させる3つの手法を提案する。
  論文  参考訳（メタデータ） (2021-01-13T08:10:33Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)
• Deep Traffic Sign Detection and Recognition Without Target Domain Real Images [52.079665469286496]
  本稿では,ターゲットドメインからの実際の画像を必要としない新しいデータベース生成手法と,(ii)交通標識のテンプレートを提案する。 この方法は、実際のデータでトレーニングを克服することではなく、実際のデータが利用できない場合に互換性のある代替手段になることを目的としている。 大規模なデータセットでは、完全に合成されたデータセットによるトレーニングは、実際のデータセットとトレーニングのパフォーマンスにほぼ一致する。
  論文  参考訳（メタデータ） (2020-07-30T21:06:47Z)
• Learning by Cheating [72.9701333689606]
  この難解な学習問題を2段階に分解することで単純化できることを示す。 提案手法を用いて、視覚に基づく自律運転システムの訓練を行い、芸術の状況を大幅に上回っている。 提案手法は,従来のCARLAベンチマークのすべてのタスクにおける100%の成功率を初めて達成し,NoCrashベンチマークに新しい記録を樹立し,従来の技術と比較すると,屈折率を桁違いに低減する。
  論文  参考訳（メタデータ） (2019-12-27T18:59:04Z)

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。