এই কাগজটি DSC-Mamba উপস্থাপন করে, গাড়ির ক্যামেরার ছবি থেকে অস্বাভাবিক ড্রাইভিং আচরণ সনাক্তকরণের জন্য একটি হালকা মডেল। মডেলটি গভীরভাবে বিভাজ্য কনভোলিউশনের মাধ্যমে কম্পিউটেশনাল লোড হ্রাস করে এবং দুটি মূল মিথস্ক্রিয়া প্রক্রিয়া ডিজাইন করে: DAEDC মডিউলে, চ্যানেলের মনোযোগ বহু-স্কেল স্থানিক মনোযোগ পরিবর্তন করার জন্য ওজন তৈরি করে; HEMamba মডিউলে, Mamba-এর গ্লোবাল মডেলিং আউটপুটকে স্বাভাবিক করা হয় এবং স্থানীয় টোকেনে পুনরায় ইনজেকশন করা হয়, যা বিশ্বব্যাপী প্রেক্ষাপটকে স্থানীয় উপস্থাপনাকে ক্যালিব্রেট করার অনুমতি দেয়। SFD3 ডেটাসেটে, প্রাথমিক প্রোটোকল হিসাবে ড্রাইভার-স্তরের পাঁচ-গুণ ক্রস-ভ্যালিডেশন ব্যবহার করে, DSC-Mamba শুধুমাত্র 0.421 M প্যারামিটার এবং 0.1053 G FLOPs সহ 93.12% ± 0.19% গড় নির্ভুলতা অর্জন করেছে। এটি একই পার্টিশনের অধীনে প্রতিযোগিতামূলক MVim বেসলাইনের চেয়ে 0.08 শতাংশ পয়েন্ট বেশি। র্যান্ডম ইমেজ-লেভেল পার্টিশনিংয়ের অধীনে, নির্ভুলতা 99.89% এ পৌঁছেছে, যদিও এটি অত্যধিক আশাবাদী এবং শুধুমাত্র রেফারেন্সের জন্য উল্লেখ করা হয়েছে। AUCv2 ডেটাসেটে, মডেলটি 92.75% নির্ভুলতা অর্জন করেছে। অধিকন্তু, PyTorchSim-ভিত্তিক NPU সিমুলেশন 12-18 ms এর INT8 একক-ফ্রেম লেটেন্সি এবং 0.9-1.4 W এর পাওয়ার খরচ অনুমান করে। এই ফলাফলগুলি নির্দেশ করে যে DSC-Mamba প্যারামিটার গণনা, FLOPs এবং নির্ভুলতার মধ্যে একটি অনুকূল ভারসাম্য অর্জন করে, যদিও ভবিষ্যতের কাজটি বাস্তব-পরিচালনার পরিশ্রম থেকে যায়।
এই নিবন্ধ বা এর কিছু অংশ থেকে প্রাপ্ত অভিযোজিত উপাদান শেয়ার করার জন্য এই লাইসেন্সের অধীনে আপনার কাছে অনুমতি নেই। এই নিবন্ধের চিত্র বা অন্যান্য তৃতীয় পক্ষের উপাদান নিবন্ধের ক্রিয়েটিভ কমন্স লাইসেন্সে অন্তর্ভুক্ত করা হয়েছে, যদি না উপাদানটির ক্রেডিট লাইনে অন্যথায় নির্দেশিত হয়। যদি উপাদান নিবন্ধের ক্রিয়েটিভ কমন্স লাইসেন্সে অন্তর্ভুক্ত না করা হয় এবং আপনার উদ্দেশ্যযুক্ত ব্যবহার বিধিবদ্ধ প্রবিধান দ্বারা অনুমোদিত না হয় বা অনুমোদিত ব্যবহার অতিক্রম করে, তাহলে আপনাকে সরাসরি কপিরাইট ধারকের কাছ থেকে অনুমতি নিতে হবে। এই লাইসেন্সের একটি অনুলিপি দেখতে, http://creativecommons.org/licenses/by-nc-nd/4.0/ দেখুন।
পুনর্মুদ্রণ এবং অনুমতি




