Federated Learning for Drowsiness Detection in Connected Vehicles

确保驾驶员的状态准备好面临挑战，但驾驶员监控系统可以帮助确定驾驶员的状态。通过观察视觉线索，这些系统识别各种行为并将它们与特定条件相关联。例如，打哈欠或眨眼可以表示驾驶员疲劳。因此，会生成大量分布式数据用于驾驶员监控。采用机器学习技术，例如驾驶员疲劳检测，提供了潜在的解决方案。然而，由于数据量大和隐私问题，将数据传输到中央计算机进行模型训练是不切实际的。相反，在单个车辆上进行训练将限制可用数据并可能导致性能不佳。为了解决这些问题，我们提出了一个联邦学习框架，用于在车载网络中检测疲劳，利用YawDD数据集。我们的方法实现了99.2%的准确度，展示了它的前景和与传统深度学习技术的可比性。最后，我们展示了我们的模型如何在不同数量的联邦客户端上进行扩展。

提出一种在车辆网络中进行疲劳驾驶检测的联邦学习框架，解决了数据隐私和数据量大的问题

利用分布式数据进行疲劳驾驶检测的联邦学习框架，避免了数据隐私和数据量大的问题，并在实验中取得了高准确率

使用了YawDD数据集进行实验，准确率达到了99.2%；提出的联邦学习框架在解决数据隐私和数据量大方面具有优势；值得进一步研究如何优化联邦学习框架的性能和可扩展性

近期相关研究包括《A Survey on Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection》、《Federated Learning: Strategies for Improving Communication Efficiency》等