Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Driver Drowsiness Estimation by Parallel Linked Time-Domain CNN with Novel Temporal Measures on Eye States Anggaran Mengantuk Pemandu oleh CNN Domain Masa Terpaut Selari dengan Langkah Temporal Novel pada Keadaan Mata

Kenta NISHIYUKI, Jia-Yau SHIAU, Shigenori NAGAE, Tomohiro YABUUCHI, Koichi KINOSHITA, Yuki HASEGAWA, Takayoshi YAMASHITA, Hironobu FUJIYOSHI

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Anggaran mengantuk pemandu adalah salah satu tugas penting untuk mencegah kemalangan kereta. Kebanyakan pendekatan adalah klasifikasi binari yang mengklasifikasikan pemandu secara ketara mengantuk atau tidak. Anggaran mengantuk berbilang peringkat, yang mengesan bukan sahaja rasa mengantuk yang ketara tetapi juga rasa mengantuk yang sederhana, membantu sistem kereta yang lebih selamat dan selesa. Pendekatan sedia ada kebanyakannya berdasarkan langkah temporal konvensional yang mengekstrak maklumat temporal yang berkaitan dengan keadaan mata, dan langkah ini tertumpu terutamanya pada mengesan rasa mengantuk yang ketara untuk klasifikasi binari. Untuk anggaran mengantuk berbilang peringkat, kami mencadangkan dua ukuran temporal, purata masa tertutup mata (AECT) dan peratusan lembut penutupan kelopak mata (PERCLOS Lembut). Pendekatan sedia ada juga berdasarkan rangkaian neural convolutional domain masa (CNN) sebagai model rangkaian saraf dalam, yang mana lapisannya dipautkan secara berurutan. Model rangkaian mengekstrak ciri terutamanya memfokuskan pada resolusi mono-temporal. Kami mendapati bahawa ciri yang memfokuskan pada resolusi berbilang masa adalah berkesan untuk anggaran mengantuk berbilang peringkat dan kami mencadangkan CNN domain masa dipautkan selari untuk mengekstrak ciri berbilang temporal. Kami mengumpul set data sendiri dalam persekitaran sebenar dan menilai kaedah yang dicadangkan dengan set data. Berbanding dengan ukuran temporal dan model rangkaian sedia ada, sistem kami mengatasi pendekatan sedia ada pada set data.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E103-D No.6 pp.1276-1286
Tarikh penerbitan
2020/06/01
Diumumkan
2020/04/10
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.2019MVP0017
Jenis Manuskrip
Special Section PAPER (Special Section on Machine Vision and its Applications)
kategori

Pengarang

Kenta NISHIYUKI
  OMRON Corporation,Chubu University
Jia-Yau SHIAU
  National Taiwan University
Shigenori NAGAE
  OMRON Corporation
Tomohiro YABUUCHI
  OMRON Corporation
Koichi KINOSHITA
  OMRON Corporation
Yuki HASEGAWA
  OMRON Corporation
Takayoshi YAMASHITA
  Chubu University
Hironobu FUJIYOSHI
  Chubu University

Kata kunci

Contents [show]