Dec, 2023

基于数据驱动的半监督机器学习与代理安全度量的异常驾驶行为检测

PDF
TL;DR利用 Hierarchical Extreme Learning Machines 和 Surrogate Safety Measures 开发了半监督机器学习方法，准确检测出鉴定的异常驾驶行为，通过广泛实验验证了该方法在各种指标上的有效性。
abnormal driving behavior detectionmachine learning algorithmssemi-supervised ml methodhierarchical extreme learning machinessurrogate safety measures
发现论文，激发创造
  • 水力条件监测系统异常检测中半监督学习的比较研究

    本研究系统比较了半监督学习方法在液压系统异常检测中的应用，设计了一种基于极限学习机的半监督 HELM 模型，并证实其在半监督方法中具有卓越的性能。

    Jun, 2023

  • 探索应用对抗学习进行复杂驾驶场景下的异常检测

    本文研究了采用机器学习中的对抗学习技术来识别培训数据集之外的数据作为人工智能自主驾驶车辆等多种安全关键功能系统的安全度量标志，鉴于这些系统的准确性取决于训练数据的质量，并探讨了这种技术在高度复杂的驾驶情景数据集中的表现。

    Jun, 2023

  • 车载 CAN 网络异常检测中监督学习与半监督学习的比较研究

    本文基于大规模 CAN 网络流量数据，提取了有价值的特征，并全面比较了全监督机器学习和半监督机器学习方法在 CAN 消息异常检测方面的性能，提出了一种基于深度自编码器的半监督学习方法应用于 CAN 消息异常检测。通过广泛的实验，本文证明全监督方法通常优于半监督方法，其中，基于 XGBoost 的模型在准确度、精确度和 ROC AUC 等方面表现最佳，超过了文献中报道的其他方法。

    Jul, 2022

  • 基于自监督学习框架和遮挡图像建模的新型驾驶员分神行为检测

    本文介绍了一种基于自监督学习的用于驾驶员分心检测的新方法，该方法使用遮罩图像建模进行自监督学习，并利用 Swin Transformer 作为编码器以增强性能，最终使用各种数据增广策略加上最佳的随机遮罩策略来加强模型的识别和泛化能力，测试结果表明，该方法的准确率为 99.60％，接近先进的监督学习方法的出色表现。

    Jun, 2023

  • 基于表示学习和基于组的训练的无监督驾驶行为分析

    本文使用多层 seq-2-seq 自动编码器以及分层聚类来进行精确的驾驶模式分析，得出特定训练数据集的可靠分类器。研究表明，该方法显著优于基准性能。

    May, 2022

  • 向机器监督的转变：高效注释的自监督学习用于自动医学图像分割和分类

    自我监督学习和半监督学习在医学影像领域的新进展，通过 S4MI（自我监督和半监督医学影像）管道，使用 10% 标签注释的自我监督学习在大多数数据集的分类任务上表现优于 100% 标签注释，而使用 50% 标签数较少的半监督方法在三个数据集的分割任务上表现更好。

    Nov, 2023

  • 面向监督的异常检测

    本研究提出了一种基于半监督学习和主动学习的异常检测算法，能够在数据标记要求较高的情况下，大大减少数据标记量，提高检测精度，适用于网络入侵检测等领域。

    Jan, 2014

  • 面向混合交通中的安全自主性：通过信息共享检测人类驾驶员的不可预测异常行为

    通过有效融合周围自动驾驶车辆共享的实时信息，我们提出了一种既能显著提高轨迹预测又能准确快速检测异常人工驾驶模式切换或异常驾驶行为的高效算法，以验证我们的算法，我们首先在 NGSIM 和 Argoverse 数据集上评估了我们的轨迹预测器，证明了我们的预测器优于基线方法。然后通过在 SUMO 模拟器上进行大量实验，我们展示了我们的算法在高速公路和城市交通中具有出色的检测性能，最佳性能达到 97.3% 的检测率、1.2 秒的平均检测延迟和 0 误报。

    Aug, 2023

  • 奇异感知机器学习在流媒体服务中的滥用和欺诈检测

    本文提出了一个基于流媒体用户行为建模的欺诈和滥用检测框架，通过创建用户行为模型发现异常和可疑事件，并以此来扩大调查工作的规模。我们研究了半监督和监督方法来检测异常现象，最终使用机器学习方法实现了欺诈和滥用检测。

    Mar, 2022

  • 深度学习在交通安全分析领域的应用综述

    本文探讨用于交通视频分析的深度学习方法，着重强调自动驾驶车辆和人类驾驶车辆的行驶安全。提出一个典型的处理流程，可以通过提取操作安全指标和提供通用提示和指南来理解和解释交通视频。主要包括视频增强、视频稳定、语义和事件分割、目标检测和分类、轨迹提取、速度估计、事件分析、建模和异常检测等几个步骤。重点在于选择最佳步骤并提供缺少模块的新设计来引导交通分析师开发他们自己的自定义处理框架。还回顾了现有的开源工具和公共数据集，以帮助训练深度学习模型。此外，还调查了与驾驶员认知评估、基于众包的监测系统、路边基础设施中的边缘计算、配备自动驾驶系统的汽车等相关的研究领域的联系和缺失方面。最后，回顾了交通监控系统的商业实施、未来展望以及广泛使用此类系统所面临的开放性问题和挑战。

    Mar, 2022