驾驶员识别准确率91.71%！TEMPEST模型仅72万参数，池子扩到45人性能只掉4.3%
TEMPEST: Temporal Embeddings for Scalable Driver Identification via Angular Margin Learning
📖 AI 总结
本文提出TEMPEST，一种基于时间卷积网络并采用加性角度间隔损失（ArcFace）训练的驾驶员身份识别嵌入模型。针对现有三元组损失方法在车队规模扩大时性能迅速下降、且易过拟合会话特定模式的问题，TEMPEST将60秒多模态驾驶窗口映射为96维紧凑嵌入，在归一化角度空间中实现全局类别级分离，支持无需重训练或分类器调整的动态注册。在45名驾驶员的严格时间评估中，模型Rank-1准确率达91.71%，较最优经典模型提升17.9个百分点，较最强三元组损失基线提升58.4个百分点；驾驶员规模从10增至45时性能仅下降4.3个百分点，远优于两类基线的22和32.5个百分点。在公开KIA Soul数据集上，其会话内和跨会话表现分别领先最优经典模型7.3和14.3个百分点。模型仅72万参数、2.80 MB，50轮即收敛，为可扩展的行为生物特征驾驶员识别建立了严谨可复现的基线。
🔑 关键词速览
| TEMPEST | 本文提出的基于时序卷积网络和角度间隔损失的驾驶员身份识别嵌入模型。 |
| ArcFace | 加性角度间隔损失函数，通过在角度空间中加入间隔来增强类间分离和类内紧凑性。 |
| Temporal Convolutional Network (TCN) | 时序卷积网络，一种专门处理序列数据的卷积神经网络架构，常用于捕捉时间依赖关系。 |
| Triplet-loss | 三元组损失，一种度量学习损失函数，通过拉近正样本对、推远负样本对来学习嵌入。 |
| Rank-1 accuracy | Rank-1准确率，指在识别任务中排名第一的预测结果正确的比例，常用于评估生物特征识别系统。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅