新上线今天0 投票
TEMPEST：基于角度间隔学习的时间嵌入，实现可扩展的驾驶员身份识别
当车队规模扩大，驾驶员识别模型为何频频“翻车”？
在车队管理、共享出行和保险风控等场景中，通过驾驶行为自动识别驾驶员身份是一项关键能力。然而，现有基于三元组损失（triplet-loss） 的嵌入模型存在一个致命缺陷：随着驾驶员池扩大，识别性能会急剧下降，并且容易过拟合到特定会话的驾驶模式。
来自 arXiv 的最新论文 TEMPEST 提出了一种新方案：用时间卷积网络（TCN） 结合 ArcFace 加性角度间隔损失，在归一化角度空间中强制全局类间分离，从而构建出可扩展的驾驶员嵌入模型。
核心设计：角度间隔替代三元组
TEMPEST 将 60 秒的多模态驾驶窗口映射为紧凑的 96 维嵌入向量。与三元组损失依赖局部样本对不同，ArcFace 损失直接优化类间角度边界，使不同驾驶员的嵌入在球面空间中天然分离。
这一设计带来一个关键优势：支持动态注册，无需重新训练或分类器微调。新驾驶员加入车队时，只需计算其嵌入并存入数据库，模型本身保持不变。
性能数据：大幅领先基线
在包含 45 名驾驶员的数据集上，采用严格的时间评估协议（训练与测试会话不重叠），TEMPEST 取得了：
- Rank-1 准确率 91.71%，比最佳经典模型高出 17.9 个百分点，比最强三元组损失基线高出 58.4 个百分点。
- 当驾驶员池从 10 人扩展到 45 人时，性能仅下降 4.3 个百分点；而监督式和无监督三元组损失基线分别下降 22 和 32.5 个百分点。
- 在公开的 KIA Soul 数据集上，TEMPEST 在会话内识别上领先最佳经典模型 7.3 个百分点，跨会话场景下领先 14.3 个百分点。
轻量化与可复现性
TEMPEST 模型仅有 72 万参数，占用 2.80 MB 存储空间，训练 50 个 epoch 即可收敛。这种轻量级设计使其适合部署在车载或边缘设备上，同时论文提供了严格的评估协议和可复现的基线。
行业意义
驾驶员行为生物识别长期受困于“规模不经济”——人越多，越难区分。TEMPEST 通过角度间隔学习将全局判别力与动态注册能力结合，为车队级身份识别提供了可扩展的路径。不过，该研究目前仍基于特定数据集，在更复杂的真实驾驶环境（如不同车型、天气、驾驶风格漂移）中的泛化能力有待进一步验证。但无论如何，它给行为生物识别领域提供了一个值得关注的新基线。
