$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥러닝 기반 실시간 교통사고 유형 및 과실 정보 제공 서비스
Deep Learning-based Real-time Traffic Accident Type and Fault Information Provision Service 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.21 no.3, 2021년, pp.1 - 6  

김근모 (충북대학교 전기.전자.정보.컴퓨터공학부) ,  조진성 (충북대학교 전기.전자.정보.컴퓨터공학부) ,  김성민 (선문대학교 컴퓨터공학부) ,  백승환 (선문대학교 컴퓨터공학부) ,  류승훈 (선문대학교 법.경찰학과) ,  고재종 (선문대학교 법.경찰학과) ,  김봉재 (충북대학교 컴퓨터공학과)

초록
AI-Helper 아이콘AI-Helper

도로 위 교통사고 발생 시 당사자 간의 과실 비율 판정이 주요 문제가 되고 있다. 사용자에게 더욱 정확한 과실 비율 판정 기준을 제공하기 위하여 여러 기업에서 서비스를 제공하고 있다. 하지만 현재 제공되고 있는 서비스들은 사고 현장에서 즉시 사용하기에는 한계가 있다. 일반적으로 현재 제공되는 과실 비율 판정 서비스는 모든 사고처리 절차가 종료된 이후 시간적 여유가 있을 때 사용된다. 이와 같은 한계를 극복하고자 본 논문에서는 딥러닝 기반의 예측 모델을 활용한 실시간 교통사고 유형 및 과실 비율 정보 제공 서비스를 제공한다. 사용자는 사고 현장에서 사진을 찍는 것으로 즉시 사고 유형 및 과실 정보 파악이 가능하며, 동일 사고 유형의 실제 판례를 확인할 수 있다. 사용자는 서비스를 사용하여 더욱 정확하고 확실한 과실 비율 판정 및 사고처리 절차를 진행할 수 있을 것이다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Determining the percentage of negligence between the parties in the event of road traffic accidents is a significant problem. In order to provide users with more accurate criteria for determining the percentage of negligence, several companies are providing services. However, services currently avai...

주제어

#Artificial Intelligence   #Deep Learning   #Traffic accident  

표/그림 (9)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 본 논문에서 딥러닝 기반 예측 모델을 활용한 교통사고 유형 및 과실 비율 정보 제공 서비스를 설계하고 구현하였다. 제안 서비스는 클라우드 기반의 서비스로 확대하여 적용할 수 있어 사용자가 교통사고 현장에서 즉시 활용이 가능하다.
  • 본 연구에서는 교통사고 예방에 중점을 두는 것이 아니라 교통사고 직후 많은 운전자들이 겪는 문제 중 하나인 과실 비율 판정에 대해 교통사고 현장에서 즉각적으로 과실정보와 관련 판례를 제공해줄 수 있는 서비스를 제안한다.
  • 관련하여 교통사고 발생 시 사고 현장에서 즉시 사고 경위 및 과실 비율을 대략적으로 알아보고 판정해볼 수 있는 시스템이나 서비스의 필요성이 증가하고 있다. 본 연구에서는 인공지능 기술을 기반으로 하여 스마트폰으로 촬영된 사진을 통해 교통사고 유형을 구분하고 과실 비율을 제공할 수 있는 서비스를 제안한다.
본문요약 정보가 도움이 되었나요?

참고문헌 (14)

  1. Liu, Shuying, and Weihong Deng, "Very deep convolutional neural network based image classification using small training sample size", 2015 3rd IAPR Asian conference on pattern recognition (ACPR), IEEE, pp. 730-734, 2015. DOI: https://doi.org/10.1109/ACPR.2015.7486599 

  2. Seok-Jin Kwon, and Min-Soo Kim, "Flaw Evaluation of Bogie connected Part for Railway Vehicle Based on Convolutional Neural Network", Journal of the Korea Academia-Industrial cooperation Society, Vol. 21, No. 11, pp. 53-60, 2020. DOI: https://doi.org/10.5762/KAIS.2020.21.11.53 

    원문보기 상세보기 crossref

  3. Jae-Myung Kim, Gyu-Ho Choi, Jin-Su Kim, and Sung Bum Pan, "User Recognition using Electromyogram 2D Spectrogram Images based on CNN", Journal of KIIT, Vol. 19, No. 1, pp. 107-117, 2021. DOI: https://doi.org/10.14801/jkiit.2021.19.1.107 

    상세보기 crossref

  4. Nwankpa, Chigozie, et al, "Activation functions: Comparison of trends in practice and research for deep learning", arXiv preprint arXiv:1811.03378, 2018. 

  5. Seung-Bin Lee, et al, "Comparison of fine-tuned convolutional neural networks for clipart style classification", International Journal of Internet, Broadcasting and Communication, Vol. 9, No. 4, pp. 1-7, 2017. DOI: https://doi.org/10.7236/IJIBC.2017.9.4.1 

    원문보기 상세보기 crossref

  6. Mao, Xuehong, et al, "Hierarchical CNN for traffic sign recognition", 2016 IEEE Intelligent Vehicles Symposium (IV), IEEE, pp. 130-135, 2016. DOI: https://doi.org/10.1109/IVS.2016.7535376 

  7. Shustanov, Alexander, and Pavel Yakimov, "CNN design for real-time traffic sign recognition", Procedia engineering, Vol. 201, pp. 718-725, 2017. DOI: https://doi.org/10.1016/j.proeng.2017.09.594 

    상세보기 crossref

  8. Zhu, Zhe, et al, "Traffic-sign detection and classification in the wild", Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 2110-2118, 2016. 

  9. Wohlgethan, Eric, "SupportingWeb Development Decisions by Comparing Three Major JavaScript Frameworks: Angular, React and Vue. js", Diss. Hochschule fur Angewandte Wissenschaften Hamburg, 2018. 

  10. Abadi, Martin, et al, "Tensorflow: A system for large-scale machine learning", 12th USENIX symposium on operating systems design and implementation (OSDI 16), pp. 254-283, 2016. 

  11. Masse, Mark. "REST API Design Rulebook: Designing Consistent RESTful Web Service Interfaces", O'Reilly Media, Inc, 2011. 

  12. Fielding, Roy T, "Architectural styles and the design of network-based software architectures", University of California, Irvine, 2000. 

  13. Tilkov, Stefan, and Steve Vinoski, "Node. js: Using JavaScript to build high-performance network programs", IEEE Internet Computing, Vol. 14, No. 6, pp. 80-83, 2010. DOI: https://doi.org/10.1109/MIC.2010.145 

    상세보기 crossref

  14. Bo-Seon Hong, and Bong-Jae Kim, "Efficient Caoshu Character Recognition Scheme and Service Using CNN-Based Recognition Model Optimization", Sensors, Vol. 20, No. 16, 2020. DOI: https://doi.org/10.3390/s20164641 

    상세보기 crossref

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로