論文の概要: A Prototypical Network with an Attention-based Encoder for Drivers Identification Application

• arxiv url: http://arxiv.org/abs/2510.17250v1
• Date: Mon, 20 Oct 2025 07:39:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.352898
• Title: A Prototypical Network with an Attention-based Encoder for Drivers Identification Application
• Title（参考訳）: 運転者識別用アテンションベースエンコーダ付きプロトタイプネットワーク
• Authors: Wei-Hsun Lee, Che-Yu Chang, Kuang-Yu Li,
• Abstract要約: 近年,特にデータ駆動アプリケーションにおいて,ドライバの識別が注目されている。 本研究では,注目型エンコーダ(AttEnc)を用いたディープラーニングニューラルネットワークアーキテクチャを提案する。 AttEncはドライバー識別にアテンションメカニズムを使用し、現在のメソッドよりも少ないモデルパラメータを使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driver identification has become an area of increasing interest in recent years, especially for data- driven applications, because biometric-based technologies may incur privacy issues. This study proposes a deep learning neural network architecture, an attention-based encoder (AttEnc), which uses an attention mechanism for driver identification and uses fewer model parameters than current methods. Most studies do not address the issue of data shortages for driver identification, and most of them are inflexible when encountering unknown drivers. In this study, an architecture that combines a prototypical network and an attention-based encoder (P-AttEnc) is proposed. It applies few-shot learning to overcome the data shortage issues and to enhance model generalizations. The experiments showed that the attention-based encoder can identify drivers with accuracies of 99.3%, 99.0% and 99.9% in three different datasets and has a prediction time that is 44% to 79% faster because it significantly reduces, on average, 87.6% of the model parameters. P-AttEnc identifies drivers based on few shot data, extracts driver fingerprints to address the issue of data shortages, and is able to classify unknown drivers. The first experiment showed that P-AttEnc can identify drivers with an accuracy of 69.8% in the one-shot scenario. The second experiment showed that P-AttEnc, in the 1-shot scenario, can classify unknown drivers with an average accuracy of 65.7%.
• Abstract（参考訳）: 近年、特にデータ駆動型アプリケーションにおいて、生体認証技術がプライバシー問題を引き起こす可能性があるため、ドライバの識別は関心が高まりつつある。 本研究では、ドライバー識別に注意機構を使用し、現在の手法よりも少ないモデルパラメータを使用する、ディープラーニングニューラルネットワークアーキテクチャ、アテンションベースのエンコーダ(AttEnc)を提案する。 ほとんどの研究は、ドライバー識別のためのデータ不足の問題に対処せず、ほとんどの研究は未知のドライバーに遭遇する際には柔軟性がない。 本研究では,プロトタイプネットワークと注目型エンコーダ(P-AttEnc)を組み合わせたアーキテクチャを提案する。 データ不足の問題を克服し、モデルの一般化を強化するために、数ショットの学習を適用します。 実験の結果、注意に基づくエンコーダは、3つの異なるデータセットで99.3%、99.0%、99.9%の精度を持つドライバーを識別でき、予測時間が44%から79%速くなった。 P-AttEncは、わずかなショットデータに基づいてドライバーを特定し、データ不足の問題に対処するためにドライバーの指紋を抽出し、未知のドライバーを分類することができる。 最初の実験では、P-AttEncはワンショットシナリオで69.8%の精度でドライバーを識別できることを示した。 第2の実験では、P-AttEncは1ショットのシナリオで、未知のドライバーを65.7%の平均精度で分類できることを示した。

関連論文リスト

• Leveraging Driver Field-of-View for Multimodal Ego-Trajectory Prediction [69.29802752614677]
  RouteFormerは、GPSデータ、環境コンテキスト、運転者の視野を組み合わせた新しいエゴ軌道予測ネットワークである。 データ不足に対処し、多様性を高めるために、同期運転場と視線データに富んだ都市運転シナリオのデータセットであるGEMを導入する。
  論文  参考訳（メタデータ） (2023-12-13T23:06:30Z)
• EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
  運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
  論文  参考訳（メタデータ） (2022-11-07T21:35:08Z)
• Vision Transformers and YoloV5 based Driver Drowsiness Detection Framework [0.0]
  本稿では,視覚変換器とヨーロV5アーキテクチャをベースとした,ドライバの眠気認識のための新しいフレームワークを提案する。 関心領域抽出を目的とした顔抽出のためのヨロV5事前学習アーキテクチャを提案する。 さらなる評価のために、提案されたフレームワークは、様々な光環境における39人の参加者のカスタムデータセットでテストされ、95.5%の精度を達成した。
  論文  参考訳（メタデータ） (2022-09-03T11:37:41Z)
• A Machine Learning Approach for Driver Identification Based on CAN-BUS Sensor Data [0.0]
  ドライバー識別は、コントローラエリアネットワーク(CAN-BUS)の観点から、現代の装飾車両の重要な分野である。 本研究の目的は,運転行動分析に基づく教師付き学習アルゴリズムを用いて運転者を特定することである。 ベースラインアルゴリズムとは対照的に,精度の観点から統計的に有意な結果を得た。
  論文  参考訳（メタデータ） (2022-07-16T00:38:21Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• A Computer Vision-Based Approach for Driver Distraction Recognition using Deep Learning and Genetic Algorithm Based Ensemble [1.8907108368038217]
  携帯電話や他の無線機器が原因で 道路の安全が危うくなる 本研究の目的は,運転者の気晴らし分類問題の性能を向上させることにより,既存の運転姿勢認識技術を支援することである。 本稿では,AlexNet,VGG-16,EfficientNet B0,Vanilla CNN,Modified DenseNet,InceptionV3+BiLSTMという,6つの独立したディープニューラルネットワークの遺伝的アルゴリズムに基づくアンサンブルを用いたアプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-28T13:39:31Z)
• Driver2vec: Driver Identification from Automotive Data [44.84876493736275]
  Driver2vecは、センサーデータの短い10秒間隔からドライバを正確に識別することができる。 Driver2vecは、Nervtechが提供する51人のドライバーのデータセットでトレーニングされている。
  論文  参考訳（メタデータ） (2021-02-10T03:09:13Z)
• Identity Recognition in Intelligent Cars with Behavioral Data and LSTM-ResNet Classifier [5.238954896174913]
  モデルへの入力にはガスとブレーキペダル圧を使用します。 我々の分類手法はLSTMとResNetの組み合わせに基づいている。 最終的な精度は、NUDriveの10ドライバサブセットで79.49%、UTDriveの5ドライバサブセットで96.90%に達する。
  論文  参考訳（メタデータ） (2020-03-02T11:24:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。