LuanVan.vnLuận Văn
Gửi thư

Leveraging deep learning and knowledge distillation for enhanced anomaly detection in traffic systems

Luận văn · Thạc sĩ · năm 2024 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhCông nghệ thông tin
Tác giảTrần Mai Khiêm
Người hướng dẫnTrần Minh Triết
Cơ sở đào tạoĐại học Quốc gia TP. Hồ Chí Minh
Năm2024
NguồnThư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc

Tóm tắt

The thesis focuses on developing lightweight neural network architectures for traffic anomaly detection using deep learning and knowledge distillation. A novel dataset of 917 videos with 2,830 accident-related events was curated for training and evaluation. Proposed lightweight models, inspired by EfficientNet-B0, achieve high accuracy rates with reduced computational demands: Best Model Accuracy: 94.83% ; Smallest Model Accuracy: 94.34%, with a size reduction of 15–30% compared to EfficientNet-B0. These models inherit the accuracy of a larger teacher model (EfficientNet-B4) through knowledge distillation, making them highly efficient and deployable on edge devices. The system addresses real-time performance requirements and supports intelligent transportation applications by enabling proactive accident prevention, congestion reduction, and road safety enhancement.
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.