1. Обнаружение отвлеченного водителя с помощью сверточной нейронной сети (arXiv)

Автор: Нараяна Дарапанени, Джай Арора, МониШанкар Хазра, Наман Виг, Симрандип Сингх Ганди, Саурабх Гупта, Анвеш Редди Падури

Аннотация: ежегодно продается более 50 миллионов автомобилей и ежегодно погибает более 1,3 миллиона человек в результате дорожно-транспортных происшествий, поэтому мы выбрали это место. На Индию приходится 11 процентов смертей в мире в результате дорожно-транспортных происшествий. Водители несут ответственность за 78% аварий. Проблемы безопасности дорожного движения в развивающихся странах вызывают серьезную озабоченность, и поведение человека считается одной из основных причин и ускорителей проблем с безопасностью дорожного движения. Отвлечение внимания водителей было определено как основная причина аварий. Отвлечения могут быть вызваны такими причинами, как использование мобильных устройств, употребление алкоголя, рабочие инструменты, макияж лица, социальное взаимодействие. В рамках этого проекта мы сосредоточимся на создании высокоэффективной модели машинного обучения для классификации различных отвлекающих факторов водителя во время выполнения с использованием компьютерного зрения. Мы также проанализируем общую скорость и масштабируемость модели, чтобы иметь возможность настроить ее на периферийном устройстве. Мы используем CNN, VGG-16, RestNet50 и ансамбль CNN для прогнозирования классов.

2. Нейросимволический гибридный подход к предупреждению водителя о столкновении (arXiv)

Автор:Кёнсик Юн, Томас Лу, Александр Хьюен, Патрик Хаммер, Пей Ван

Аннотация: существует два основных алгоритмических подхода к автономным системам вождения: (1) сквозная система, в которой одна глубокая нейронная сеть учится преобразовывать входные сенсорные данные непосредственно в соответствующие предупреждения и реакции на вождение. (2) Опосредованная гибридная система распознавания, в которой система создается путем объединения независимых модулей, обнаруживающих каждый семантический признак. В то время как некоторые исследователи считают, что глубокое обучение может решить любую проблему, другие считают, что для работы со сложными средами с меньшим объемом данных необходим более инженерный и символический подход. Одно лишь глубокое обучение достигло самых современных результатов во многих областях, от сложного игрового процесса до предсказания белковых структур. В частности, в классификации и распознавании изображений модели глубокого обучения достигли такой же высокой точности, как человек. Но иногда может быть очень сложно отладить, если модель глубокого обучения не работает. Модели глубокого обучения могут быть уязвимы и очень чувствительны к изменениям в распределении данных. Обобщение может быть проблематичным. Обычно трудно доказать, почему это работает или нет. Модели глубокого обучения также могут быть уязвимы для атак злоумышленников. Здесь мы объединяем распознавание и отслеживание объектов на основе глубокого обучения с адаптивным нейросимволическим сетевым агентом, называемым неаксиоматической системой рассуждений (NARS), который может адаптироваться к окружающей среде, создавая концепции на основе перцептивных последовательностей. Мы достигли улучшенной производительности распознавания объектов «пересечение по объединению» (IOU) 0,65 в модели адаптивного переобучения по сравнению с IOU 0,31 в предварительно обученной модели данных COCO. Мы улучшили пределы обнаружения объектов с помощью датчиков RADAR в смоделированной среде и продемонстрировали способность обнаружения плетущихся автомобилей, объединив обнаружение и отслеживание объектов на основе глубокого обучения с нейросимволической моделью.

3. Систематический обзор управления парковкой на основе компьютерного зрения, примененного к общедоступным наборам данных (arXiv)

Автор: Пауло Рикардо Лисбоа де Алмейда, Джеоване Онорио Алвес, Рафаэль Стабс Парпинелли, Жан Поль Барддал

Аннотация : Методы управления парковками на основе компьютерного зрения были тщательно исследованы благодаря их гибкости и экономичности. Для оценки таких методов авторы часто используют общедоступные наборы данных изображений парковок. В этом исследовании мы рассмотрели и сравнили надежные общедоступные наборы данных изображений, специально созданные для тестирования методов компьютерного зрения для подходов к управлению парковками, и, следовательно, представляем систематический и всесторонний обзор существующих работ, в которых используются такие наборы данных. Обзор литературы выявил соответствующие пробелы, требующие дальнейших исследований, такие как требование независимых от набора данных подходов и методов, подходящих для автономного определения положения парковочных мест. Кроме того, мы заметили, что в большинстве исследований игнорировались несколько важных факторов, таких как присутствие одних и тех же автомобилей на последовательных изображениях, что делало протоколы оценки нереалистичными. Кроме того, анализ наборов данных также показал, что некоторые функции, которые должны присутствовать при разработке новых тестов, такие как наличие видеофрагментов и изображений, снятых в более разнообразных условиях, включая ночное время и снег, не были включены.

4. Обнаружение внимания водителей: систематический обзор литературы (arXiv)

Автор: Луис Г. Верас, Анна К. Ф. Гомеш, Гильерме А. Р. Домингес, Александр Т. Оливейра

Вывод:Бесчисленное количество дорожно-транспортных происшествий часто происходит из-за невнимательности водителей. Многие факторы могут способствовать отвлечению внимания во время вождения, так как предметы или явления до физиологических состояний, таких как сонливость и усталость, не позволяют водителю оставаться внимательным. Технический прогресс позволил разработать и применить множество решений для обнаружения внимания в реальных ситуациях, что повысило интерес научного сообщества в последние годы. Как правило, эти решения выявляют недостаток внимания и предупреждают водителя, чтобы помочь ему восстановить внимание, избежать серьезных аварий и сохранить жизни. Наша работа представляет собой систематический обзор литературы (SLR) методов и критериев, используемых для обнаружения внимания водителей за рулем, с акцентом на эти методы, основанные на изображениях. В результате из литературы по обнаружению внимания водителей было отобрано 50 исследований, 22 из которых содержат решения в желаемом контексте. Результаты SLR могут быть использованы в качестве ресурса при подготовке новых исследовательских проектов по обнаружению внимания водителей.

5.SIMBAR: повторное освещение сцены на основе одного изображения для эффективного увеличения данных для автоматизированных задач машинного зрения (arXiv)

Автор: Сяньлин Чжан, Натан Ценг, Амира Сайед, Рохан Бхасин, Никита Джайпурия

Аннотация. Реальные наборы данных об автономном вождении состоят из изображений, собранных с разных дисков на дороге. Возможность переосвещать отснятые сцены в невидимых условиях освещения контролируемым образом дает возможность дополнить наборы данных более богатым разнообразием условий освещения, подобных тем, которые встречаются в реальном мире. В этой статье представлен новый конвейер повторного освещения на основе изображений, SIMBAR, который может работать с одним изображением в качестве входных данных. Насколько нам известно, ранее не проводилось работ по переосвещению сцены с использованием явных геометрических представлений из одного изображения. Мы представляем качественные сравнения с предыдущими базовыми уровнями повторного освещения сцены с несколькими видами. Для дальнейшей проверки и эффективной количественной оценки преимуществ использования SIMBAR для увеличения данных для автоматизированных задач машинного зрения, эксперименты по обнаружению и отслеживанию объектов проводятся с использованием современного метода, точность отслеживания нескольких объектов (MOTA) составляет 93,3%. достигнуто с помощью CenterTrack на KITTI, дополненном SIMBAR — впечатляющее относительное улучшение на 9,0% по сравнению с базовым уровнем MOTA (85,6%) с CenterTrack на оригинальном KITTI, обе модели обучены с нуля и протестированы на Virtual KITTI. Для получения более подробной информации и наборов данных SIMBAR relit посетите веб-сайт нашего проекта (https://simbarv1.github.io/).