Fugu-MT 論文翻訳(概要): Performance of YOLOv7 in Kitchen Safety While Handling Knife

論文の概要: Performance of YOLOv7 in Kitchen Safety While Handling Knife

arxiv url: http://arxiv.org/abs/2501.05399v1
Date: Thu, 09 Jan 2025 17:47:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-10 13:58:57.273193
Title: Performance of YOLOv7 in Kitchen Safety While Handling Knife
Title（参考訳）: ナイフ使用時のキッチン安全におけるYOLOv7の性能
Authors: Athulya Sundaresan Geetha,
Abstract要約: 本研究は、YOLOv7を用いて、ナイフハンドリング時の安全性リスクを特定することに焦点を当てた。モデルの性能は、精度、リコール、mAP50、mAP50-95などの指標を用いて評価された。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Safe knife practices in the kitchen significantly reduce the risk of cuts, injuries, and serious accidents during food preparation. Using YOLOv7, an advanced object detection model, this study focuses on identifying safety risks during knife handling, particularly improper finger placement and blade contact with hand. The model's performance was evaluated using metrics such as precision, recall, mAP50, and mAP50-95. The results demonstrate that YOLOv7 achieved its best performance at epoch 31, with a mAP50-95 score of 0.7879, precision of 0.9063, and recall of 0.7503. These findings highlight YOLOv7's potential to accurately detect knife-related hazards, promoting the development of improved kitchen safety.
Abstract（参考訳）: キッチンでの安全ナイフの練習は、調理中に切断、怪我、重度の事故のリスクを著しく低減する。本研究は、高度な物体検出モデルであるYOLOv7を用いて、ナイフハンドリング中の安全リスク、特に不適切な指の配置と手とのブレード接触を同定することに焦点を当てた。モデルの性能は、精度、リコール、mAP50、mAP50-95などの指標を用いて評価された。その結果, YOLOv7は0.7879のmAP50-95スコア, 0.9063の精度, 0.7503のリコールで最高性能を達成した。これらの結果から, YOLOv7がナイフ関連障害を正確に検出し, キッチンの安全性の向上を促進する可能性が示唆された。

関連論文リスト

Exploring Visual Vulnerabilities via Multi-Loss Adversarial Search for Jailbreaking Vision-Language Models [92.79804303337522]
VLM(Vision-Language Models)は、安全アライメントの問題に対して脆弱である。本稿では、シナリオ認識画像生成を利用したセマンティックアライメントのための新しいジェイルブレイクフレームワークであるMLAIを紹介する。大規模な実験はMLAIの重大な影響を示し、MiniGPT-4で77.75%、LLaVA-2で82.80%の攻撃成功率を達成した。
論文参考訳（メタデータ） (2024-11-27T02:40:29Z)
Target Detection of Safety Protective Gear Using the Improved YOLOv5 [6.517811916515857]
本稿では, 背骨の畳み込み層にECAを組み込むことにより, 安全対策検出を向上する革新的モデルであるYOLO-EAを提案する。 YOLO-EAの有効性は、実際の鉄道建設現場の監視映像から得られたデータセットを用いて実証的に実証された。
論文参考訳（メタデータ） (2024-08-12T07:33:11Z)
A Comparative Analysis of YOLOv5, YOLOv8, and YOLOv10 in Kitchen Safety [0.5639904484784127]
本研究は3種類のYOLOモデル(YOLOv5, YOLOv8, YOLOv10)の比較分析を行い, ナイフ処理の危険性について検討した。 YOLOv5は、他の2つのモデルよりも、手をブレードに触れるだけの危険を識別し、YOLOv8は、アイテムを保持しながら曲がった指の危険を検出するのに優れていた。
論文参考訳（メタデータ） (2024-07-30T14:50:49Z)
Enhancing Wrist Fracture Detection with YOLO [3.2049746597433746]
この研究では、最先端の単一ステージのディープニューラルネットワークに基づく検出モデルYOLOv5、YOLOv6、YOLOv7、YOLOv8を用いて、手首の異常を検出する。これらのYOLOモデルは, フラクチャー検出において, 一般的に使われている2段検出アルゴリズムであるFaster R-CNNよりも優れていることがわかった。
論文参考訳（メタデータ） (2024-07-17T14:21:53Z)
Potion: Towards Poison Unlearning [47.00450933765504]
悪意あるアクターによる機械学習システムに対する敵対的攻撃は重大なリスクをもたらす。このような攻撃を解決する上での課題は、実際に有毒データのサブセットのみを特定できる場合である。我々の研究は、有毒未学習の最先端を推し進めるための2つの重要な課題に対処する。
論文参考訳（メタデータ） (2024-06-13T14:35:11Z)
Extreme Miscalibration and the Illusion of Adversarial Robustness [66.29268991629085]
敵の訓練は、しばしばモデルの堅牢性を高めるために使用される。我々は、この観測されたロバストネスの利得はロバストネスの錯覚(IOR)であることを示した。我々は,NLPコミュニティに対して,試験時間温度のスケーリングを堅牢性評価に組み込むよう促す。
論文参考訳（メタデータ） (2024-02-27T13:49:12Z)
Wildfire Smoke Detection with Computer Vision [0.0]
YOLOv7は、オブジェクト検出モデルをトレーニングするための単純で高速で効率的なアルゴリズムを提供する。その結果,信頼度が0.298のF1曲線において0.74のスコアが得られた。これらの指標は,煙柱の検出におけるモデルの弾力性と有効性を示す。
論文参考訳（メタデータ） (2023-01-12T15:12:56Z)
Poisons that are learned faster are more effective [51.626260003155295]
データセット全体に対する知覚不能な毒殺攻撃は、データプライバシを保護する方法として最近非難されている。誤差最小化, エラー最大化, 合成毒素を100回以上のピーク検定精度でベンチマークした。トレーニング損失の少ない毒がピークテストの精度を低下させることがわかった。
論文参考訳（メタデータ） (2022-04-19T02:34:11Z)
PixMix: Dreamlike Pictures Comprehensively Improve Safety Measures [65.36234499099294]
フラクタルなどの画像の自然な構造的複雑さを利用した新しいデータ拡張戦略を提案する。この課題に対処するために、フラクタルなどの画像の自然な構造的複雑さを利用した新しいデータ拡張戦略を設計する。
論文参考訳（メタデータ） (2021-12-09T18:59:31Z)
How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文参考訳（メタデータ） (2020-12-02T15:30:21Z)

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。