Green-Tech CAV: Next Generation Computing for Traffic Sign and Obstacle Detection in Connected and Autonomous Vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In recent years, advanced technologies are used in automobiles, which make it simpler to drive on roads. However, driving is not trouble-free considering the unexpected hindrances and difficulty in recognizing traffic signs while driving at high speeds. Due to the advancement in technologies such as image recognition, several automated vehicles and techniques are developed to assist the drivers while driving. In this paper, an integrated intelligent system is designed using YOLO V3 neural architecture for recognizing the obstacles and visualizing the traffic sign through the input image from the camera of the moving vehicle. A Vehicular Adhoc Network (VANET) is being used with 5G connectivity to share the information to the other passing vehicles present in the vicinity. Apart from this, a notification is sent to the nearby centre for clearing any obstacle if found on roads during transportation. Real-time images of every possible obstacle such as a crack on roads along with traffic signs are trained using machine learning algorithms, thereby making the system more efficient and accurate. These techniques are developed in order to provide an pollution free environment and reduce accidents in roads with the concepts of green computing. The proposed automated system performs exemplary in recognizing the obstacle and traffic sign, making it easy for the drivers to drive more freely and reducing the pollution thereby producing a eco-friendly environment. According to the algorithms proposed in this paper, the results show that the algorithm used produces accurate results compared to the existing techniques.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 découle