論文の概要: A Two-stage Transformer Framework for Temporal Localization of Distracted Driver Behaviors
- arxiv url: http://arxiv.org/abs/2603.21048v1
- Date: Sun, 22 Mar 2026 04:09:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.209101
- Title: A Two-stage Transformer Framework for Temporal Localization of Distracted Driver Behaviors
- Title（参考訳）: 分散運転行動の時間的局所化のための2段階変圧器フレームワーク
- Authors: Gia-Bao Doan, Nam-Khoa Huynh, Minh-Nhat-Huy Ho, Khanh-Thanh-Khoa Nguyen, Thanh-Hai Le,
- Abstract要約: ドライバー監視シナリオに適した時間的行動ローカライゼーションフレームワークを開発し,評価する。
我々のアプローチは、ビデオMAEに基づく特徴抽出とAMA(Augmented Self-Mask Attention)検出器を組み合わせた2段階のパイプラインに従う。
実験結果から、モデルキャパシティと効率の明確なトレードオフが明らかになった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The identification of hazardous driving behaviors from in-cabin video streams is essential for enhancing road safety and supporting the detection of traffic violations and unsafe driver actions. However, current temporal action localization techniques often struggle to balance accuracy with computational efficiency. In this work, we develop and evaluate a temporal action localization framework tailored for driver monitoring scenarios, particularly suitable for periodic inspection settings such as transportation safety checkpoints or fleet management assessment systems. Our approach follows a two-stage pipeline that combines VideoMAE-based feature extraction with an Augmented Self-Mask Attention (AMA) detector, enhanced by a Spatial Pyramid Pooling-Fast (SPPF) module to capture multi-scale temporal features. Experimental results reveal a distinct trade-off between model capacity and efficiency. At the feature extraction stage, the ViT-Giant backbone delivers higher representations with 88.09% Top-1 test accuracy, while the ViT-based variant proves to be a practical alternative, achieving 82.55% accuracy with significantly lower computational fine-tuning costs (101.85 GFLOPs/segment compared to 1584.06 GFLOPs/segment for Giant). In the downstream localization task, the integration of SPPF consistently improves performance across all configurations. Notably, the ViT-Giant + SPPF model achieves a peak mAP of 92.67%, while the lightweight ViT-based configuration maintains robust results.
- Abstract（参考訳）: キャビン内ビデオストリームからの危険運転行動の識別は、道路安全を高め、交通違反の検出と安全でない運転行動を支援するために不可欠である。
しかし、現在の時間的行動ローカライゼーション技術は、精度と計算効率のバランスをとるのに苦労することが多い。
本研究では,交通安全チェックポイントや艦隊管理評価システムなどの定期的な検査設定に適した,ドライバー監視シナリオに適した時間的行動ローカライゼーションフレームワークを開発し,評価する。
我々のアプローチは、ビデオMAEに基づく特徴抽出とAMA(Augmented Self-Mask Attention)検出器を組み合わせた2段階のパイプラインに従い、空間ピラミッドプーリングファスト(SPPF)モジュールによって強化され、マルチスケールの時間的特徴をキャプチャする。
実験結果から、モデルキャパシティと効率の明確なトレードオフが明らかになった。
特徴抽出の段階では、ViT-Giantのバックボーンは88.09%のTop-1テスト精度で高い表現を提供する一方、ViTベースの派生型は、計算の微調整コスト(ジャイアントの1584.06 GFLOPs/segmentと比較して101.85 GFLOPs/segment)で82.55%の精度で、実用的な代替品であることが証明されている。
下流のローカライゼーションタスクでは、SPPFの統合は、すべての構成におけるパフォーマンスを一貫して改善する。
特に、ViT-Giant + SPPFモデルは92.67%のピークmAPを達成し、軽量なViTベースの構成は堅牢な結果を維持する。
関連論文リスト
- ToaSt: Token Channel Selection and Structured Pruning for Efficient ViT [14.21482208417138]
ビジョントランスフォーマー(ViT)は様々なビジョンタスクで顕著な成功を収めているが、その展開は計算コストの制限によって妨げられていることが多い。
異なるViTコンポーネントに特別な戦略を適用する分離されたフレームワークであるToaStを提案する。
論文 参考訳（メタデータ） (2026-02-17T16:52:13Z) - Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - HPTune: Hierarchical Proactive Tuning for Collision-Free Model Predictive Control [55.015741360766945]
本稿では,高速なチューニングと低速なチューニングを組み合わせた階層型プロアクティブチューニング(HPTune)フレームワークを提案する。
我々はHPTuneをドップラーLiDARと統合し、位置のみの測定とは別に障害物速度を提供し、運動予測を強化した。
安全でアジャイルな衝突回避戦略を定式化することにより,HPTuneは状況調整型動作計画を可能にする。
論文 参考訳（メタデータ） (2026-01-29T07:15:39Z) - Efficient On-Board Processing of Oblique UAV Video for Rapid Flood Extent Mapping [7.460695517551536]
TTR(Temporal Token Reuse)は、組み込みデバイス上でビデオセグメンテーションを高速化する適応型推論フレームワークである。
我々は,TTRがセグメンテーション精度(0.5% mIoU)の劣化を無視して,推論遅延の30%低減を実現していることを示す。
これらの結果から,TTRは運用フロンティアを効果的にシフトさせ,高忠実でリアルタイムな斜めビデオ理解を可能にすることが確認された。
論文 参考訳（メタデータ） (2026-01-16T13:41:56Z) - RMT-PPAD: Real-time Multi-task Learning for Panoptic Perception in Autonomous Driving [18.945598464194607]
RMT-PPADはリアルタイムトランスフォーマーベースのマルチタスクモデルである。
オブジェクト検出、ドライビング可能なエリアセグメンテーション、レーンラインセグメンテーションを共同で行う。
その結果,RTT-PPADは安定した性能が得られた。
論文 参考訳（メタデータ） (2025-08-02T16:34:24Z) - A Self-Supervised Transformer for Unusable Shared Bike Detection [1.3948892744961128]
本稿では,未使用の共有自転車を自動的に検出する,新しい自己監督トランスフォーマ(SS Transformer)フレームワークを提案する。
このモデルには、自己教師付き事前学習戦略が組み込まれ、特徴抽出能力を向上し、続いて、効率的なステータス認識のための微調整が行われる。
10,730台の自転車の実際のデータセットの実験では、SSTransformerは従来の機械学習、アンサンブル学習、ディープラーニングベースラインを大きく上回っている。
論文 参考訳（メタデータ） (2025-05-02T00:20:38Z) - Fast-COS: A Fast One-Stage Object Detector Based on Reparameterized Attention Vision Transformer for Autonomous Driving [3.617580194719686]
本稿では、シーンを駆動するための新しい単一ステージオブジェクト検出フレームワークであるFast-COSを紹介する。
RAViTはImageNet-1Kデータセットで81.4%のTop-1精度を達成した。
主要なモデルの効率を上回り、最大75.9%のGPU推論速度とエッジデバイスでの1.38のスループットを提供する。
論文 参考訳（メタデータ） (2025-02-11T09:54:09Z) - MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。
事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。
このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
論文 参考訳（メタデータ） (2024-12-02T09:13:29Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Finding Action Tubes with a Sparse-to-Dense Framework [62.60742627484788]
本稿では,ビデオストリームからのアクションチューブ提案を1つのフォワードパスでスパース・トゥ・デンス方式で生成するフレームワークを提案する。
UCF101-24, JHMDB-21, UCFSportsベンチマークデータセット上で, 本モデルの有効性を評価する。
論文 参考訳（メタデータ） (2020-08-30T15:38:44Z)
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。