Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
LiteFat: Học đồ thị không gian-thời gian nhẹ để phát hiện tình trạng mệt mỏi của tài xế theo thời gian thực
Created by
Haebom
Tác giả
Cảnh Nhân, Suyu Ma, Hong Jia, Xiwei Xu, Ivan Lee, Haytham Fayek, Xiaodong Li, Feng Xia
Phác thảo
Bài báo này đề xuất LiteFat, một mô hình học đồ thị không gian-thời gian nhẹ cho các hệ thống phát hiện mệt mỏi của người lái xe. Các mô hình phát hiện mệt mỏi dựa trên học sâu hiện có khó áp dụng cho các thiết bị robot nhúng bị hạn chế về tài nguyên (ví dụ: xe tự hành) do độ phức tạp tính toán và độ trễ cao. LiteFat giải quyết vấn đề này bằng cách chuyển đổi dữ liệu video phát trực tuyến thành đồ thị không gian-thời gian (STG) thông qua phát hiện mốc khuôn mặt, do đó tập trung vào các mẫu chuyển động chính và giảm xử lý dữ liệu không cần thiết. MobileNet trích xuất các đặc điểm khuôn mặt và tạo ma trận đặc trưng cho STG, và mạng nơ-ron đồ thị không gian-thời gian nhẹ xác định các dấu hiệu mệt mỏi với quá trình xử lý tối thiểu và độ trễ thấp. Kết quả thử nghiệm trên các tập dữ liệu chuẩn chứng minh rằng LiteFat vượt trội hơn các phương pháp tiên tiến hiện có đồng thời giảm đáng kể độ phức tạp tính toán và độ trễ.
Takeaways, Limitations
•
Takeaways:
◦
Cho phép phát hiện tình trạng mệt mỏi của người lái xe theo thời gian thực trong các hệ thống nhúng có nguồn lực hạn chế.
◦
Phù hợp cho các ứng dụng thời gian thực do độ phức tạp tính toán và độ trễ thấp hơn so với các mô hình học sâu hiện có.
◦
Vẫn giữ được độ chính xác cao mặc dù là mẫu máy nhẹ.
•
Limitations:
◦
Hiệu suất của mô hình đề xuất có thể phụ thuộc vào tập dữ liệu chuẩn được sử dụng. Cần kiểm chứng thêm trong nhiều điều kiện và tập dữ liệu khác nhau.
◦
Cần nghiên cứu thêm về khả năng chống chịu với nhiều biến số khác nhau trong môi trường lái xe thực tế (ánh sáng, góc lái, sự khác biệt giữa các cá nhân, v.v.).
◦
Hiệu suất trích xuất đặc điểm khuôn mặt bằng MobileNet có thể ảnh hưởng đến hiệu suất tổng thể của hệ thống. Cần nghiên cứu để phát triển các phương pháp trích xuất đặc điểm hiệu quả hơn.
