驾驶员异常检测：一个数据集与对比学习方法
计算机视觉与模式识别
2020-12-01 v2 机器学习
图像与视频处理
摘要
分心的驾驶员更可能无法预见危险，从而导致车祸。因此，检测驾驶员动作中的异常（即任何偏离正常驾驶的动作）对于减少与驾驶员相关的事故极为重要。然而，驾驶员在驾驶时可能做出的异常动作有无穷多种，这导致了一个“开集识别”问题。因此，不同于识别先前数据集提供者通常定义的一组异常动作，在本文中，我们提出一种对比学习方法，以学习一个度量来区分正常驾驶与异常驾驶。针对该任务，我们引入了一个新的基于视频的基准，即驾驶员异常检测（DAD）数据集，其训练集包含正常驾驶视频以及一组异常动作。在 DAD 数据集的测试集中，存在未见过的异常动作，仍须从正常驾驶中筛选出来。我们的方法在测试集上达到 0.9673 的 AUC，证明了对比学习方法在异常检测任务上的有效性。我们的数据集、代码和预训练模型均已公开可用。
引用
@article{arxiv.2009.14660,
title = {Driver Anomaly Detection: A Dataset and Contrastive Learning Approach},
author = {Okan Köpüklü and Jiapeng Zheng and Hang Xu and Gerhard Rigoll},
journal= {arXiv preprint arXiv:2009.14660},
year = {2020}
}
备注
Accepted to IEEE Winter Conference on Applications of Computer Vision (WACV 2021)