SocialNet: Detecting Social Distancing Violations in Crowd Scene on IoT devices
Notice bibliographique
Résumé
Recently, the COVID-19 pandemic has affected the world and spread in the majority of the countries. To decrease the number of infections, experts suggested people practice social distancing by maintaining a distance of six feet apart. It is hard to monitor this restriction by only a traditional surveillance system. Existing methods used deep learning to tackle this problem by designing a Deep Convolutional Neural Network (DCNN). However, these methods do not accommodate for low-power systems such as Internet-of-Things-based devices. In this paper, we propose SocialNet, a novel network design that can detect violations of social distancing in public crowd scene. SocialNet is composed of two components, (1) The detector backbone and (2) The Autoencoder. In the detector backbone, the network generates the bounding boxes of the human/person category. In the Autoencoder, the network learns to predict a score which represents the violation between each bounding box and the others. The input image is divided into nine patches and each patch goes through the Autoencoder to predict the violation score. The Autoencoder consists of the encoder which produces the latent vector for the decoder network. The decoder network outputs a real-valued vector of length fifteen as scores for each patch in the image. Furthermore, SocialNet uses mixed precision which makes it suitable for low-power devices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».