Real-Time Binary Cell Phone Usage Detection and Classification on Vehicular Edge Devices
Notice bibliographique
Résumé
IoT binary classification tasks can benefit significantly from edge computing because it allows for real-time processing and decision-making. By gathering and processing data locally, edge devices can lower latency and enable quicker response times, which is beneficial for applications whose main aims are safety and security. Cell phone usage while driving is one of the worst scenarios that decreases traffic safety and causes accidents. A wide range of new applications and services could be possible with the convergence of IoT and cell phone detection in the car while in driving mode. Machine learning methods, which include the ability to track people and objects in realtime, increase public safety by identifying and preventing potential security threats and improve transportation system efficiency by streamlining traffic and easing congestion. Although object detection is the most common approach for cell phone detection, the binary classification approach has been proposed because of its fast processing ability and easy deployment on edge devices. The device, in consideration, incorporates an inside camera to gather driver image data to perform binary classification. After collecting images from edge devices, these data are prepared in detail in an IID (independently and identically distributed) manner for better training for deep learning models. After training, test results are obtained by interpolation and extrapolation analyses. Results show that interpolation accuracy increases by $1.1 \%$ and extrapolation accuracy increases by $16.5 \%$.
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 | 0,000 |
| 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 ».