相关实验视频
Updated: Jan 13, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.1K
通过多模式序列建模进行强大的乘客行为识别:对车载监控系统的比较研究
Jisu Kim1, Byoung-Keon D Park2
1College of Engineering, University of Nebraska-Lincoln, Lincoln, NE 68588, USA.
Sensors (Basel, Switzerland)
|October 29, 2025
概括
这项研究表明,基于注意力的变压器模型擅长使用多式联络数据识别乘客行为. 这些先进的模型为智能运输系统提供了卓越的性能和效率.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 人与计算机的交互
背景情况:
- 了解乘客行为对于智能交通系统 (ITS) 的安全至关重要.
- 多式联网数据融合增强了车辆的情境意识.
- 当前的ITS系统需要强大的乘客监控.
研究的目的:
- 为了比较静态,反复和基于注意力的模型,用于多式联网乘客行为识别.
- 在大型数据集上评估模型性能.
- 确定车载监控最有效的架构.
主要方法:
- 利用来自2D姿势,2D目光和面部运动的顺序输入.
- 比较了多层感知器 (MLP),长短期内存 (LSTM) 和变压器编码器架构.
- 在使用者行为分类 (OBC) 数据集 (2.1M,79类) 上进行了实验.
主要成果:
- 时间模型 (LSTM,变压器) 显著优于静态MLP基线.
- 变压器编码器实现了0.9570.1的最新的Macro F1得分.
- 变压器在性能和计算效率之间取得了很强的平衡.
结论:
- 基于注意力的时间建模与多式联络融合对于乘客行为识别是优越的.
- 变压器架构为高效的车载监控提供了一个实际的框架.
- 这些发现有助于开发更安全,更有意识的智能交通系统.
