文献

J-GLOBAL ID：202002266649314303   整理番号：20A1956290

生成敵対ネットワークを用いた運転者の注意散漫認識の強化【JST・京大機械翻訳】

Enhancing Driver Distraction Recognition Using Generative Adversarial Networks

著者 (2件)： Ou Chaojie (Centre for Pattern Analysis and Machine Intelligence, University of Waterloo, Waterloo, ON, Canada) ,  Karray Fakhri (Centre for Pattern Analysis and Machine Intelligence, University of Waterloo, Waterloo, ON, Canada)
資料名： IEEE Transactions on Intelligent Vehicles  (IEEE Transactions on Intelligent Vehicles)
巻： 5  号： 3  ページ： 385-396  発行年： 2020年 
JST資料番号： W2446A  ISSN： 2379-8858  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 混乱運転は重大な自動車事故の主な原因である。今日の10代の死亡原因の中で,交通事故は交通事故であり,それらの主要な部分は混乱した運転に関係する。ここでは,多様な運転条件に一般化できるエンドツーエンド畳込みニューラルネットワークベースドライバ混乱認識(DDR)システムを提案した。提案手法は,異なる駆動シナリオの画像を生成し,画像分類のための識別モデルを開発するための2つのステップからなる。シミュレーション実験によって収集した画像データセットに基づく伝統的方法とは異なり,著者らは,複数の運転シナリオのためのインターネットと列車生成モデルから,異なる運転条件と活動パターンにおける運転者の多様なデータセットを集めた。これらの生成モデルからのサンプリングによって,著者らは新しい訓練サンプルによって収集したデータセットを強化して,混乱認識のために畳込みニューラルネットワークを訓練した。生成モデルは,異なる運転シナリオにおける運転者の画像を生成することができることを実証した。増強画像によって,DDRシステムは,駆動シミュレーション環境における画像分類性能に関して11.45%の改善を達成した。さらに,訓練されたDDRシステムが運転者監視システム内で統合できる方法を示す。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  *ネットワーク ,  自動車事故 ,  監視装置 ,  エンドツーエンド方式 ,  交通事故 ,  カオス ,  インターネット ,  死因
準シソーラス用語： 画像データ ,  画像分類 ,  運転条件 ,  生成モデル ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 敵対 ,  注意 ,  強化