Core Concepts
フェデレーテッド・ラーニングを用いて、YawDD データセットを活用して運転者の眠気検出を行い、99.2%の高精度を達成した。
Abstract
本研究では、運転者の眠気検出のためにフェデレーテッド・ラーニングのフレームワークを提案した。YawDD データセットを使用し、単一フレームと連続フレームの両方で評価を行った。
3D-CNNを用いた手法では90.1%の精度を達成したが、ハードウェアの制限と多数のパラメータを考慮する必要があった。
2D-CNNを用いた手法では、フェデレーテッド・クライアントの数を増やすにつれ精度が若干低下したものの、2クライアントの場合に99.2%の高精度を達成した。
最適なハイパーパラメータは、低い学習率、重み減衰、参加クライアント数、バッチサイズであり、モーメンタムを大きくすることで良い結果が得られた。
運転中の通常走行、会話、あくびの3クラス分類において、通常走行とあくびの区別は容易だが、会話とあくびの区別が難しいことが分かった。
Stats
運転中の通常走行、会話、あくびの3クラスを99.2%の精度で分類できた。
会話と通常走行、会話とあくびの間で一部誤分類が見られた。
Quotes
"フェデレーテッド・ラーニングは、プライバシーを保護しつつ分散データを活用する手法として有望である。"
"YawDD データセットを用いて、99.2%の高精度を達成することができた。"