Driver Activity Detection and Classification Using Deep Learning- Based YOLO Models for Intelligent Transportation Systems
本研究提出了一种利用 YOLO 架构的深度学习框架来检测并分类八种驾驶员活动,证明了 YOLOv8n 模型在包含 5,422 张图像的数据集上实现了 96.3% mAP 的卓越实时性能,从而为增强智能交通系统中的道路安全提供了有效的解决方案。
原作者已查阅我们通俗解释的论文。
本页收录的每篇论文,都有至少一位原作者阅读并参与了我们的通俗解释——或是确认其准确无误,或是提出修正意见并由我们随后采纳。作者的确认并不等同于对每一句话的正式背书,但说明该解释已经过论文作者的审视。
1199 篇论文已由作者审阅 · 471–480 / 1199
本研究提出了一种利用 YOLO 架构的深度学习框架来检测并分类八种驾驶员活动,证明了 YOLOv8n 模型在包含 5,422 张图像的数据集上实现了 96.3% mAP 的卓越实时性能,从而为增强智能交通系统中的道路安全提供了有效的解决方案。
本文提出了 DuTLR-Net,一种深度展开张量低秩网络,该网络通过跨尺度流形对齐模块和基于 ADMM 的迭代优化主干结构整合了物理先验,旨在即使在小样本场景下也能实现具有高空谱一致性的卓越且可解释的高光谱图像分类。
本研究调查了通过六维有效算符衰变为暗物质的长寿命粒子的宇宙学限制,分析了此类衰变如何影响大爆炸核合成以及有效中微子种数,以划定与观测数据一致的允许参数空间。
本文引入了 阶 Apostol 型 Mersenne-Bernoulli 及 Mersenne-Euler 多项式,并利用 M-微积分推导了它们的显式级数表示、加法定理、差分方程以及卷积恒等式。
本文建立了一个统一的几何框架,将分裂吸引子流(split attractor flows)、海森流(Hessian flows)与谱网络(spectral networks)联系起来,从而严谨地证明了它们的正交性与对偶性,进而实现了在多种 理论中对 BPS 能谱的系统性重构,并为 Argyres-Douglas 模型和热带圆盘计数(tropical disk counts)提供了新的闭合形式结果。
本综述探讨了将锰基材料与 GelMA 水凝胶相结合,以构建用于精准肿瘤治疗的多功能、MRI 引导的免疫治疗诊断一体化平台,同时讨论了其设计策略、治疗机制、当前挑战及未来的临床转化。
这项针对巴基斯坦体力劳动者的横断面研究表明,表现出舟月间韧带不稳征象的人群,其握力显著降低、腕尺偏异常,并在动态抓握过程中出现代偿性肌肉过度激活,且职业暴露时长和特定的生物力学负荷模式是韧带损伤的关键预测因子。
本文提出了一种针对微调回退(fine-tuning reversion)的“引力解释”,需指出该“引力”术语仅为描述由历史诱导偏差的几何/优化隐喻,而非字面意义上的物理动力学定律。该解释认为,早期训练建立了占主导地位的行为流形,这些流形会产生一种几何拉力,导致模型在随后的更新过程中向预对齐行为回退,这一现象的特征是一个特定的、由历史定义的方向(),通过阻断该方向可以防止安全性侵蚀。
本文提出了一种名为 ILTS-SINDy 的鲁棒 SINDy 框架,该框架将用于离群值过滤的迭代最小修剪平方法(Iterative Least Trimmed Squares)与用于稀疏回归的顺序阈值最小二乘法(Sequentially Thresholded Least Squares)相结合,证明了在处理包含高达 20% 损坏观测值的数据集时,在识别非线性动力学方面具有卓越的性能。
本文表明,选择公理在神经证明嵌入中留下了可测量的几何特征——其特征表现为随着证明在依赖图中远离该公理,异常得分和重构损失也随之下降——这与并预测了像 Lean 4 这样的系统中构造性定理证明与经典定理证明之间的性能差异。