探索基于噪声标签的视频驱动驾驶行为识别
计算机视觉与模式识别
2025-08-12 v2 机器学习
机器人学
图像与视频处理
摘要
在深度学习领域，学习带噪声标签的问题已吸引广泛注意力并在过去十年间迅速发展。带标签噪声的学习对于驾驶分心行为识别至为重要，因为现实世界的视频数据常包含误标记样本，影响模型的可靠性和性能。然而，驱动行为识别领域的标签噪声学习几乎未被探索。本文提出了一种面向驾驶行为识别任务的首种标签噪声学习方法。基于聚类假设，我们最初使模型能够从给定视频中学习聚类友好的低维表示，并将得到的嵌入分配到聚类中。随后，在每个聚类内部进行共细化，以平滑分类器输出。此外，我们提出了一种灵活的样本选择策略，将两种选择标准组合在内，无需依赖任何超参数即可从训练数据集中筛选干净样本。我们还将自适应参数纳入样本选择过程中，以强制在类别之间实现平衡。在针对公开Drive&Act数据集进行的全粒度水平的全面实验表明，我们的方法在与从图像分类领域派生的其他标签去噪方法相比时表现优异。源代码可在 https://github.com/ilonafan/DAR-noisy-labels 获取。
引用
@article{arxiv.2504.11966,
title = {Exploring Video-Based Driver Activity Recognition under Noisy Labels},
author = {Linjuan Fan and Di Wen and Kunyu Peng and Kailun Yang and Jiaming Zhang and Ruiping Liu and Yufan Chen and Junwei Zheng and Jiamin Wu and Xudong Han and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2504.11966},
year = {2025}
}
备注
Accepted to SMC 2025. The source code is available at https://github.com/ilonafan/DAR-noisy-labels