面向网联车辆中瞌睡检测的联邦学习
计算机视觉与模式识别
2024-05-07 v1 机器学习
摘要
确保驾驶员就绪状态具有挑战性，但驾驶员监控系统有助于确定驾驶员状态。通过观察视觉线索，此类系统识别各种行为并将其与特定状态关联。例如，打哈欠或眨眼可指示驾驶员瞌睡。因此，会产生大量分布式数据用于驾驶员监控。采用机器学习技术（如驾驶员瞌睡检测）提供了一种潜在解决方案。然而，由于数据量大和隐私问题，将数据传输到中央机器进行模型训练是不切实际的。相反，在单辆车上训练会限制可用数据，并可能导致性能较差。为解决这些问题，我们提出了一种面向车辆网络中瞌睡检测的联邦学习框架，利用YawDD数据集。我们的方法达到了99.2%的准确率，展示了其前景以及与常规深度学习技术的可比性。最后，我们展示了模型在使用不同数量的联邦客户端时的扩展性。
引用
@article{arxiv.2405.03311,
title = {Federated Learning for Drowsiness Detection in Connected Vehicles},
author = {William Lindskog and Valentin Spannagl and Christian Prehofer},
journal= {arXiv preprint arXiv:2405.03311},
year = {2024}
}
备注
14 pages, 8 figures, 1 table, EAI INTSYS 2023 conference