Detecting Driver Drowsiness as an Anomaly Using LSTM Autoencoders

要約

このホワイト ペーパーでは、LSTM オートエンコーダー ベースのアーキテクチャを使用して、ResNet-34 を特徴抽出器として眠気を検出します。
この問題は、単一の被験者の異常検出と見なされます。
したがって、通常の運転表現のみが学習され、より高い再構成損失をもたらす眠気表現は、ネットワークの知識に従って区別されることが期待されます。
私たちの研究では、LSTMオートエンコーダーのトレーニングパフォーマンスとテスト中に遭遇した異常の解釈がさまざまな信頼率の下で分析されるように、ラベル割り当ての方法論を通じて正常クリップと異常クリップの信頼レベルが調査されます。
私たちの方法はNTHU-DDDで実験され、ドライバーの眠気の最先端の異常検出方法でベンチマークされています。
結果は、提案されたモデルが 0.8740 曲線下面積 (AUC) の検出率を達成し、特定のシナリオで大幅な改善を提供できることを示しています。

要約(オリジナル)

In this paper, an LSTM autoencoder-based architecture is utilized for drowsiness detection with ResNet-34 as feature extractor. The problem is considered as anomaly detection for a single subject; therefore, only the normal driving representations are learned and it is expected that drowsiness representations, yielding higher reconstruction losses, are to be distinguished according to the knowledge of the network. In our study, the confidence levels of normal and anomaly clips are investigated through the methodology of label assignment such that training performance of LSTM autoencoder and interpretation of anomalies encountered during testing are analyzed under varying confidence rates. Our method is experimented on NTHU-DDD and benchmarked with a state-of-the-art anomaly detection method for driver drowsiness. Results show that the proposed model achieves detection rate of 0.8740 area under curve (AUC) and is able to provide significant improvements on certain scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google