論文の概要: Fast Person Detection Using YOLOX With AI Accelerator For Train Station Safety

• arxiv url: http://arxiv.org/abs/2602.10593v1
• Date: Wed, 11 Feb 2026 07:30:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.538386
• Title: Fast Person Detection Using YOLOX With AI Accelerator For Train Station Safety
• Title（参考訳）: 列車駅安全のためのAIアクセラレータを用いたYOLOXを用いた高速人物検出
• Authors: Mas Nurul Achmadiah, Novendra Setyawan, Achmad Arif Bryantono, Chi-Chia Sun, Wen-Kai Kuo,
• Abstract要約: 本稿では,YOLOX と Edge AI Accelerator ハードウェアを用いた駅における乗客検出アプリケーションについて述べる。 AIアクセラレータのパフォーマンスは、Jetson Orin Nanoと比較される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, Image processing has advanced Faster and applied in many fields, including health, industry, and transportation. In the transportation sector, object detection is widely used to improve security, for example, in traffic security and passenger crossings at train stations. Some accidents occur in the train crossing area at the station, like passengers uncarefully when passing through the yellow line. So further security needs to be developed. Additional technology is required to reduce the number of accidents. This paper focuses on passenger detection applications at train stations using YOLOX and Edge AI Accelerator hardware. the performance of the AI accelerator will be compared with Jetson Orin Nano. The experimental results show that the Hailo-8 AI hardware accelerator has higher accuracy than Jetson Orin Nano (improvement of over 12%) and has lower latency than Jetson Orin Nano (reduced 20 ms).
• Abstract（参考訳）: 近年、画像処理はより高速になり、健康、産業、交通など多くの分野で応用されている。 交通分野では、駅の交通安全や旅客交差など、セキュリティ向上にオブジェクト検出が広く利用されている。 駅の踏切エリアでは、黄色い線を通り抜ける際に乗客が不注意に事故が発生することがある。 したがって、さらなるセキュリティを開発する必要がある。 事故を減らすには追加技術が必要である。 本稿では,YOLOX と Edge AI Accelerator ハードウェアを用いた駅における乗客検出アプリケーションについて述べる。 AIアクセラレータのパフォーマンスは、Jetson Orin Nanoと比較される。 実験の結果,Haylo-8のハードウェアアクセラレータはJetson Orin Nano(12%以上)よりも精度が高く,Jetson Orin Nano(20ms)よりもレイテンシが低いことがわかった。

関連論文リスト

• Edge-AI Perception Node for Cooperative Road-Safety Enforcement and Connected-Vehicle Integration [2.320417845168326]
  インドなどの新興国の急速な自動車化は、2023年に1100万件以上の違反が記録されており、4000台あたり約1人の警官が警察に拘束されている。 従来の監視と手動によるチケット発行は、この規模にスケールできないため、自律的で協力的でエネルギー効率のよいエッジAI認識インフラの必要性を動機付けている。 本稿では,多クラス交通違反の分析と,接続されたインテリジェントな車両エコシステム内での安全事象の拡散を行うためのリアルタイム道路側認識ノードを提案する。
  論文  参考訳（メタデータ） (2026-01-06T08:02:58Z)
• TakuNet: an Energy-Efficient CNN for Real-Time Inference on Embedded UAV systems in Emergency Response Scenarios [1.6861784540485294]
  TakuNetは、Deep-wise convolutionsや早期のダウンサンプリングステムといったテクニックを採用した、新しい軽量アーキテクチャである。 パラメータの最小値にもかかわらず、緊急時の航空画像の分類において、最先端の精度を達成する。 リソース制約のあるプラットフォーム上でのリアルタイムAI処理や、緊急シナリオにおけるドローンの適用性向上に適している。
  論文  参考訳（メタデータ） (2025-01-10T11:32:56Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• MSight: An Edge-Cloud Infrastructure-based Perception System for Connected Automated Vehicles [58.461077944514564]
  本稿では,自動走行車に特化して設計された最先端道路側認識システムであるMSightについて述べる。 MSightは、リアルタイムの車両検出、ローカライゼーション、トラッキング、短期的な軌道予測を提供する。 評価は、待ち時間を最小限にしてレーンレベルの精度を維持するシステムの能力を強調している。
  論文  参考訳（メタデータ） (2023-10-08T21:32:30Z)
• 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)
• NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving [57.03126447713602]
  本稿では,自動車のRADARセンサを用いて動的障害物や乾燥可能な自由空間を検出するディープニューラルネットワーク(DNN)を提案する。 ネットワークは組み込みGPU上でリアルタイムよりも高速に動作し、地理的領域にわたって優れた一般化を示す。
  論文  参考訳（メタデータ） (2022-09-29T01:30:34Z)
• 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)
• Smartphone-based Hard-braking Event Detection at Scale for Road Safety Services [6.451490979743455]
  道路事故は世界第6位の障害調整生命年(DALY)の原因となっている。 本稿では,スマートフォンセンサから収集したキネマティクスデータを用いて,ハードブレーキイベントを検出するスケーラブルなアプローチを提案する。 われわれはTransformerをベースとした機械学習モデルをトレーニングし、Google Mapsでナビゲートしながらスマートフォンや車両のセンサーから、スマートフォンと車両のセンサーを同時に読み取ることで、ハードブレーキイベントの検出を可能にした。
  論文  参考訳（メタデータ） (2022-02-04T01:30:32Z)
• Improving Train Track Safety using Drones, Computer Vision and Machine Learning [0.0]
  世界中の列車事故によって引き起こされた数百万人の死者は、非効率で手動の線路検査によって引き起こされる。 政府機関は鉄道産業の安全運用を真剣に懸念している。 軌道欠陥による損失は、公的および民間投資における数十億ドルの損失と、ダウンタイムによる収益の損失をもたらす。
  論文  参考訳（メタデータ） (2020-06-04T23:17:23Z)

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。