Deep transfer learning for vulnerable road users detection using smartphone sensors data
بالعربية
تقترح الدراسة إطاراً للتعلم العميق بنقل المعرفة لتصنيف مستخدمي الطريق المعرضين للخطر من بيانات حساسات الهاتف منخفضة الاستهلاك دون GPS. وتُحوَّل الإشارات إلى مخططات تكرار تعكس سلوكها الزمني، وتُستخدم صوراً مدخلةً لشبكات عصبية التفافية مدربة مسبقاً (AlexNet وSqueezeNet وVGG16 وVGG19). وبلغت دقة التصنيف نحو 98.6–98.7% في الشبكات الأربع.
English summary
A deep transfer learning framework classifies vulnerable road users from low-power smartphone sensor data without GPS. Recurrence plots that capture the temporal dynamics of the signals are used as images for pre-trained convolutional networks (AlexNet, SqueezeNet, VGG16 and VGG19). Classification accuracy reached about 98.6–98.7% across the four networks.
توظف الدراسة التعلم العميق بالنقل للتعرف على مستخدمي الطريق الأكثر عرضة للخطر. وتحول إشارات حساسات الهاتف إلى صور تصف تغير الحركة دون الحاجة إلى GPS.
English
Transfer learning is used to identify vulnerable road users from smartphone sensors. Sensor signals are converted into images that capture motion dynamics without GPS input.
Publication details | بيانات النشر
Mohammed Elhenawy, Huthaifa I Ashqar, Mahmoud Masoud, Mohammed H Almannaa, Andry Rakotonirainy, Hesham A Rakha (2020). Deep transfer learning for vulnerable road users detection using smartphone sensors data. Remote Sensing, 12 (21), 3508.
تحلل الدراسة استبانة دولية شملت 15,312 من راكبي الدراجات البالغين في 44 دولة، بنمذجة المعادلات الهيكلية، لاختبار علاقة استخدام الهاتف أثناء القيادة بالحوادث المبلغ عنها ذاتياً،…
تقارن الدراسة خطر الحوادث بين سائقين مصابين بالتهاب المفاصل وغير مصابين. وتعتمد على بيانات قيادة طبيعية تسجل حركة المركبة وسلوك السائق.
مشاركة مؤتمر تتناول التحكم الأمثل بالتقاطعات للمركبات الآلية والتعاونية.