典型文献
基于迁移VGG和线性支持高阶张量机的驾驶行为异常检测
文献摘要：
基于视觉对驾驶行为进行异常检测中,出于行车安全的角度考虑,在采集驾驶行为样本时异常驾驶行为不能长时间持续,因此数据集会存在异常样本数较少的问题.而对于高阶小样本数据,线性支持高阶张量机(Support Higher-Or-der Tensor Machine,简称SHTM)具有很好的分类性能.但视觉图像会包括整个驾驶区域,使其存在较多冗余信息,影响SHTM的分类精度,采用视觉几何群19网络(Visual Geometry Group Network19,简称VGG19)对数据进行特征提取能够有效的解决这个问题.同时,对于VGG19训练过程中样本数不足的问题,迁移学习能够很好的解决.因此,提出迁移VGG支持高阶张量机算法(Transfer VGG-Support Higher-Order Tensor Machine,简称迁移 VGG-SHTM),利用 VGG19对样本数据进行特征提取,并引入迁移学习的方法解决VGG19训练过程中数据样本较少的问题,最后利用SHTM对提取的特征进行分类,实现驾驶行为异常检测.为了验证该方法的有效性,邀请十位不同的驾驶员进行驾驶行为异常检测实验,对比VGG19、SHTM以及迁移VGG-SHTM的分类精度.结果显示迁移VGG-SHTM算法分类性能最佳.
文献关键词：
迁移学习;VGG19网络;SHTM;驾驶员行为异常检测
中图分类号：
作者姓名：
张志威;程军圣
作者机构：
湖南大学机械与运载工程学院,湖南长沙 410006
文献出处：
引用格式：
[1]张志威;程军圣-.基于迁移VGG和线性支持高阶张量机的驾驶行为异常检测)[J].机械设计与制造,2022(03):91-96
A类：
SHTM,Network19,驾驶员行为异常检测
B类：
张量,行车安全,异常驾驶行为,集会,小样本数据,Support,Higher,Tensor,Machine,分类性能,视觉图像,多冗余,冗余信息,分类精度,视觉几何,Visual,Geometry,Group,VGG19,训练过程,迁移学习,Transfer,Order,十位,算法分类
AB值：
0.2369
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
