| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Autovadītāja uzmanības noteikšana, izmantojot dziļo māšinmācīšanos |
| Nosaukums angļu valodā |
Distracted Driver Classification, Using Deep Learning |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ēvalds Urtāns |
| Recenzents |
Sintija Petroviča-Kļaviņa |
| Anotācija |
Autovadītāju neuzmanība mūsdienās ir atbildīga par aptuveni ceturto daļu no pasaules auto avārijām. Šī iemesla dēļ nepieciešams pamanīt, kad autovadītājs nepievērš uzmanību ceļam un atgādināt par drošības svarīgumu. Lai gan, balstoties uz SemanticScholar datiem, pēdējo 5 gadu laikā ir publicēti 64 tūkstoši pētījumu, uzticams risinājums, kas strādātu dzīves apstākļos vēl nav atrasts. Šajā darbā tika aplūkoti attēlu iekodētāju un laika rindu modeli, ar mērķi izveidot modeli, kas spētu pēc video datiem klasificēt auto vadītāju uzmanību. Pētījumā tika izmantota viena no lielākajām autovadītāju uzvedības datu kopām 100-Drivers. Galvenie pētījuma ieguldījumi ir sekojoši. Veikta sistemātiska literatūras analīze un tās salīdzinājums, kurā tika apskatīti līdzīgi pētījumi un pētījumos izmantotie mašīmācīšanās modeļi un arhitektūras. Izveidots modelis, kas sevī ietver EfficentNet un LSTM modeļus, kas ļauj kam autovadītāji pievērš uzmanību. Veikti eksperimenti, pārbaudot modeļa darbību un salīdzinot kā modeļa darbību pie dažādām datu kopas konfigurācijām. Atvērtais pirmkods ir pieejams: https://github.com/HappyP0R0/AI_model |
| Atslēgas vārdi |
uzmanības noteikšana, dziļā mašīnmācīšanās |
| Atslēgas vārdi angļu valodā |
attention detection, deep machine learning |
| Valoda |
lv |
| Gads |
2024 |
| Darba augšupielādes datums un laiks |
04.11.2024 23:54:30 |
