使用 LSTM 自编码器作为异常检测工具来检测驾驶员疲劳
本文提出用于早期疲劳检测的多层次多尺度长短时记忆网络 (HM-LSTM),结合测量到的眨眼特征,对大型真实数据集进行了测试,发现基于眼睑特征的检测方法比人类判断更准确。
Apr, 2019
我们提出了一种基于 3D 深度卷积神经网络的驾驶员疲劳检测的条件自适应表示学习框架。该框架通过四个模型实现,包括时空特征表示、场景条件理解、特征融合和疲劳检测。实验结果显示,该框架优于现有的基于视觉分析的疲劳检测方法。
Oct, 2019
近年来,先进驾驶辅助系统(ADAS)的科学进展在提高驾驶整体安全性方面扮演了关键角色。ADAS 技术能够主动控制车辆,以预防潜在的危险情况。研究人员关注的一个重要方面是分析驾驶员的注意力水平,因为最近的报告确认了由于困倦或注意力不集中导致的事故数量不断增加。为了解决这个问题,各种研究提出了通过监测驾驶员的生理状态来实现,因为自主神经系统(ANS)与注意力水平之间存在着确立的联系。为了进行我们的研究,我们设计了一种创新的生物传感器,包括近红外 LED 发射器和光电二极管,具体来说是一种硅光电倍增器装置。这使我们能够通过分析相关的光电容抗(PPG)信号评估驾驶员的生理状态。此外,我们开发了一种嵌入式时域超滤波技术,并结合了一种 1D 时域卷积架构,该架构中嵌入了渐进延展设置。这个集成系统能够实时分类驾驶员的困意,获得 96% 左右的显著准确度水平。
Jul, 2023
本文提出了一种名为 SleepyWheels 的革命性方法,该方法使用轻量级神经网络结合面部特征识别来实时识别司机疲劳。该模型采用 EfficientNetV2 和面部标记检测器进行训练,利用驾驶员疲劳数据集,实现了 97% 的准确性。
Nov, 2022
通过长短时记忆网络(LSTM)自动编码器,结合去噪自编码器,可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。
Aug, 2022
本研究提出了一种基于 LSTM-Autoencoder 模型的异常检测方法,可以识别 DDoS 攻击的深层模式并获得高精度的检测结果,尤其是在 LDAP 攻击方面表现出了 99% 以上的准确度。
Apr, 2023
司机疲劳驾驶是交通事故的主要原因之一,通过引入多关注融合疲劳驾驶检测模型(MAF),可以显著提升分类性能,特别是在部分面部遮挡和低光照条件下,从而在提高算法整体稳健性方面发挥更大作用。通过在夜间和白天的光照条件下采集真实世界的数据集,我们进行了一系列综合实验,结果显示我们提出的模型达到了 96.8% 的司机疲劳检测准确率。
Dec, 2023
2021 年与 2020 年相比,车辆事故率上升 20%,其中 45%的车祸是由于疲劳和分心驾驶所致。这项研究使用计算机视觉设计了低成本、精度高且侵入性小的检测方法,探讨了使用视觉变换器来优于 3D-CNNs 的最新准确性,针对分心和疲劳驾驶分别训练了两个变压器。其中,分心的模型表现超越最先进的模型,达到 97.5%的准确度。建议未来的研究使用新的和更强大的模型来实现更高的准确性和效率,在现有数据集的基础上扩展到检测醉酒驾驶和道路愤怒,以创建全面的解决方案来防止交通事故。
Jul, 2022
通过观察视觉线索,驾驶员监控系统可以辅助确定驾驶员的状态。我们提出了一种基于联邦学习框架的嗜睡检测方法,在车辆网络中利用 YawDD 数据集,实现了 99.2% 的准确率,证明了其在与传统深度学习技术比较时的可行性和可比性。
May, 2024
本文提出了改进的带 LSTM 模块和 KL 散度的自动编码器(IAE-LSTM-KL)模型,通过添加 LSTM 网络来记忆正常数据的特征表示,并通过 KL 散度对特征输入到 SVDD 模块进行惩罚,从而解决了深度卷积自动编码器和深度支持向量数据描述模型在检测异常数据时存在的问题。实验结果表明,IAE-LSTM-KL 模型在异常检测方面具有更高的准确性,并且对数据集中的异常点污染也具有增强的鲁棒性。
Apr, 2024