Core Concepts
연합 학습 프레임워크를 활용하여 YawDD 데이터셋을 기반으로 운전자 졸음 감지 모델을 구축하였으며, 99.2%의 높은 정확도를 달성하였다. 또한 참여 클라이언트 수 증가에 따른 모델 성능 변화를 확인하였다.
Abstract
본 연구는 연결 차량 네트워크 내에서 운전자 졸음 감지를 위한 연합 학습 프레임워크를 제안한다. YawDD 데이터셋을 활용하여 단일 프레임 및 시퀀스 처리 방식을 평가하였다.
먼저 3D-CNN 모델을 적용하여 90.1%의 정확도를 달성하였으나, 하드웨어 제약과 매개변수 수 증가로 인한 문제를 해결하기 위해 2D-CNN 모델로 전환하였다. 2D-CNN 모델은 99.2%의 높은 정확도를 보였으며, 참여 클라이언트 수 증가에 따른 성능 변화를 확인하였다.
실험 결과, 2개의 클라이언트를 사용할 때 가장 높은 정확도를 보였으며, 클라이언트 수가 16개까지 증가해도 성능이 안정적으로 유지되었다. 그러나 20개 이상의 클라이언트를 사용할 경우 정확도가 다소 감소하는 것으로 나타났다. 이는 클라이언트 수가 증가함에 따라 데이터 이질성이 증가하여 모델 성능이 저하된 것으로 보인다.
주요 기여사항은 다음과 같다:
YawDD 데이터셋을 활용한 운전자 졸음 감지를 위한 연합 학습 프레임워크 구축
참여 클라이언트 수 증가에 따른 모델 성능 변화 분석
99.2%의 높은 정확도로 일반 운전, 대화, 졸음 운전 상태 분류
Stats
운전자 실수가 미국 2015년 도로 사고의 90%를 차지한다.
졸음 운전은 주요 사고 원인 중 하나이다.
YawDD 데이터셋은 107명의 운전자(57명 남성, 50명 여성)로 구성되며, 각 운전자는 각 행동 범주에 대해 최소 3개의 동영상을 제공했다.
Quotes
"연합 학습(FL)은 분산된 데이터에서 기계 학습 모델을 학습시키는 개인정보 보호 지향 솔루션을 제공한다. 원시 데이터를 전송하는 대신 모델 매개변수만 연합 네트워크를 통해 전송함으로써 메시지 크기를 줄이고 악의적인 공격 표면을 최소화할 수 있다."