基于空间自注意力和联邦学习的隐私保护驾驶员疲劳检测
计算机视觉与模式识别
2025-08-19 v2
摘要
驾驶员疲劳是道路交通事故的主要原因之一，并被公认为交通相关死亡的主要诱因。然而，准确检测疲劳仍然是一项具有挑战性的任务，尤其是在真实场景中，来自不同个体的面部数据是分散且高度多样化的。在本文中，我们提出了一种新颖的疲劳检测框架，旨在有效处理异构和分散的数据。我们的方法开发了一种新的空间自注意力（SSA）机制，与长短期记忆（LSTM）网络集成，以更好地提取关键面部特征并提高检测性能。为了支持联邦学习，我们采用梯度相似性比较（GSC），在聚合之前从不同运营商中选择最相关的训练模型。这提高了全局模型的准确性和鲁棒性，同时保护了用户隐私。我们还开发了一个定制工具，通过提取帧、检测和裁剪人脸以及应用数据增强技术（如旋转、翻转、亮度调整和缩放）来自动处理视频数据。实验结果表明，我们的框架在联邦学习设置下实现了89.9%的检测准确率，在各种部署场景下优于现有方法。结果证明了我们的方法在处理真实世界数据变异性方面的有效性，并突显了其在智能交通系统中部署以通过早期和可靠的疲劳检测增强道路安全的潜力。
引用
@article{arxiv.2508.00287,
title = {Privacy-Preserving Driver Drowsiness Detection with Spatial Self-Attention and Federated Learning},
author = {Tran Viet Khoa and Do Hai Son and Mohammad Abu Alsheikh and Yibeltal F Alem and Dinh Thai Hoang},
journal= {arXiv preprint arXiv:2508.00287},
year = {2025}
}