.png){kind=icon}
返回
Continual Learning for Behavior-based Driver Identification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110459.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
行为基驾驶员识别是一种新兴技术，它基于驾驶员独特的驾驶行为进行识别，提供了诸如车辆防盗和个性化驾驶体验等重要应用。然而，大多数研究未能考虑到在车辆中部署深度学习模型所面临的现实挑战。这些挑战包括在有限计算资源下运行、适应新驾驶员以及驾驶行为随时间的变化。本研究的目标是评估持续学习（CL）是否适合解决这些挑战，因为它能够在持续适应的同时保留先前学到的知识，且计算开销和资源需求最小。我们基于一个知名的驾驶员识别问题数据集，在三个复杂度递增的场景中测试了多种CL技术。这项工作为可扩展的驾驶员识别解决方案提供了重要进展，表明CL方法（如暗经验回放（DER））在仅比静态场景精度降低11%的情况下仍能获得优异性能。此外，为提升性能，我们提出了两种新方法：平滑经验回放（SmooER）和平滑暗经验回放（SmooDER），它们利用驾驶员身份随时间的时序连续性来提高分类精度。我们的创新方法SmooDER在仅比DER方法精度降低2%（对比DER的11%）的情况下实现了最优结果。总之，本研究证明了CL方法在动态环境中解决驾驶员识别挑战的可行性，使其适用于部署在云基础设施或直接在车辆中。
Keyword:
Continual Learning
Deep Learning
Driver Identification
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
引用论文
Continual Learning Strategy in One-Stage Object Detection Framework Based on Experience Replay for Autonomous Driving Vehicle自动驾驶车辆基于经验回放的一阶段目标检测框架持续学习策略.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Driver Profiling Using Long Short Term Memory (LSTM) and Convolutional Neural Network (CNN) MethodsOAAI
OAAI分享收藏
查看更多内容