面向自然驾驶动作识别的点对点联邦持续学习
机器学习
2023-04-18 v1 计算机视觉与模式识别
摘要
自然驾驶动作识别(NDAR)已被证明是检测驾驶员分心、降低交通事故风险的有效方法。然而，车内摄像头的侵入式设计引发了驾驶员隐私担忧。为解决该问题，我们提出一种结合持续学习的点对点(P2P)联邦学习(FL)框架，即 FedPC，其在保障隐私、提升学习效率的同时降低通信、计算与存储开销。我们的框架聚焦于在无服务器 FL 框架内实现客户端目标，旨在提供个性化且精准的 NDAR 模型。我们在两个真实世界 NDAR 数据集上展示并评估 FedPC 性能，包括 State Farm Distracted Driver Detection 与 2023 AICity Challenge 中的 Track 3 NDAR 数据集。实验结果表明，相较传统客户端到服务器(C2S) FL，FedPC 在性能、知识传播率及对新客户端的兼容性方面均具强劲竞争力。
引用
@article{arxiv.2304.07421,
title = {Peer-to-Peer Federated Continual Learning for Naturalistic Driving Action Recognition},
author = {Liangqi Yuan and Yunsheng Ma and Lu Su and Ziran Wang},
journal= {arXiv preprint arXiv:2304.07421},
year = {2023}
}
备注
CVPRW 2023