【论文标题】Driver Anomaly Detection: A Dataset and Contrastive Learning Approach
【作者团队】Okan Köpüklü, Jiapeng Zheng, Hang Xu, Gerhard Rigoll 【发表时间】2020/9/30 【论文链接】https://arxiv.org/abs/2009.14660 【参考链接】https://github.com/okankop/Driver-Anomaly-Detection 【推荐理由】 本文来自慕尼黑工业大学团队，本文首次提出了一种驾驶员异常检测（DAD）开放集识别数据集的对比学习方法为驾驶监控系统的研究带来崭新的研究视角。该数据集中的主要任务是将正常驾驶与异常驾驶区分开来，再通过对比学习方法，以检测测试集中的异常动作。 注意力分散的驾驶员更有可能无法预见危险，从而导致交通事故。因此，检测驾驶员动作异常（即任何偏离正常驾驶的动作）对于减少驾驶员相关事故至关重要。然而，驾驶员在驾驶过程中可能会做无限多的异常动作，这会导致“开放集识别”问题。基于此，本文提出了一种对比学习方法来学习和区分正常驾驶和异常驾驶的指标，而不是识别由以前的数据集提供者通常定义的一组异常行为。为此，本文引入了一个新的基于视频的基准测试，即驾驶员异常检测（DAD）数据集，该数据集包含正常的驾驶视频以及训练集中的一组异常动作。在DAD数据集的测试集中，有一些看不见的异常动作仍需要从正常驾驶中排除。本文提出方法的AUC值在测试集上达到了0.9673，该结果表明了对比学习方法在异常检测任务中的有效性。 图 3 ：驾驶员异常检测任务的对比学习框架 【主要贡献】 本文首次基于视频的开放集识别数据集，用于基于视觉的驾驶员监控系统。DAD数据集是多视图(前视图和俯视图)、多模态(深度和红外模态)的，并且足够大，可以从零开始训练深度卷积神经网络(CNN)架构。并且提出了一种深度对比学习方法来区分正常驾驶和异常驾驶。尽管对比学习近年来已成为无监督度量学习的主流，但本研究的方法在DAD数据集的测试集上的AUC值达到0.9673证明了该方法的有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除