基于 LSTM 自编码器将驾驶员 drowsiness 检测作为异常检测
计算机视觉与模式识别
2022-09-13 v1
摘要
本文利用基于 LSTM 自编码器的架构进行 drowsiness 检测，以 ResNet-34 作为特征提取器。该问题被视为针对单一主体的异常检测；因此，仅学习正常驾驶表征，并期望产生较高重构损失的 drowsiness 表征能够根据网络的知识被区分出来。在我们的研究中，通过标签分配方法考察正常与异常片段的置信度水平，从而在变化的置信度下分析 LSTM 自编码器的训练性能以及对测试期间遇到的异常的解释。我们的方法在 NTHU-DDD 上进行了实验，并与一种用于驾驶员 drowsiness 的 state-of-the-art 异常检测方法进行了基准比较。结果表明，所提出的模型实现了 0.8740 曲线下面积（AUC）的检测率，并且在某些场景下能够提供显著改进。
引用
@article{arxiv.2209.05269,
title = {Detecting Driver Drowsiness as an Anomaly Using LSTM Autoencoders},
author = {Gülin Tüfekci and Alper Kayabaşi and Erdem Akagündüz and İlkay Ulusoy},
journal= {arXiv preprint arXiv:2209.05269},
year = {2022}
}
备注
Accepted to ECCV 2022 In-Vehicle Sensing and Monitorization (ISM) Workshop