Integrating Instruction-based Learning with Bidirectional LSTM for Autonomous Vehicle Pedestrian Detection
Notice bibliographique
Résumé
Pedestrian detection is a crucial aspect of autonomous vehicle (A V) safety, as it enables accurate identification and tracking of individuals in an A V environment. Effective pedestrian detection supports essential A V functions like braking, steering, and speed control to prevent accidents in urban settings. Traditional computer vision methods, such as Support Vector Machines and Random Forests, rely on pre-designed features like the Histogram of Oriented Gradients. While the existing techniques offer some performance, it face significant challenges in dynamic environments, especially under varying lighting conditions, occlusions, and diverse pedestrian poses. Traditional models also require extensive manual feature engineering and tuning, which limits scalability and adaptability. Recent advances in deep learning, particularly with Convolutional Neural Networks (CNNs), have allowed for automatic feature learning, yielding practical improvements over classical methods. However, CNNs can struggle in low light and when facing adversarial attacks, as they mainly capture spatial features. To address these limitations, this research proposes a new methodology combining CNNs for spatial feature extraction with Bidirectional Long Short-Term Memory (BiLSTM) networks to capture temporal dependencies. This hybrid approach enhances detection capabilities by learning both static and dynamic patterns. Our proposed CNN-BiLSTM model achieves a 92 % detection accuracy and an F1 score of 88.5% across diverse conditions, outperforming existing models by up to 15%. By integrating temporal features, the model reduces missed detections and false positives by up to 20%, providing a more reliable and adaptable solution for pedestrian detection in autonomous vehicles.
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 | 0,001 | 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 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 ».