TEMPEST：通过角度边际学习实现可扩展的驾驶员识别的时序嵌入

arXiv:2610.06855v1 公告类型：新 摘要：可扩展的驾驶员识别需要嵌入模型在车队规模不断扩大时仍保持良好的判别性能，然而，现有的三元组损失方法会随着驾驶员数量的增加而迅速退化，并且在严格的时间评估下容易过拟合于特定会话模式。我们提出 TEMPEST，这是一种 Temporal Convolutional Network 嵌入模型，采用加性角度边际（ArcFace）损失进行训练，在归一化角度空间中实现全局类别级分离。TEMPEST 将 60 秒的多模态驾驶窗口映射为紧凑的 96 维嵌入，支持无需重新训练或重新拟合分类器的真正动态注册。在包含 45 名驾驶员的数据集上进行严格的时间评估时，TEMPEST 达到 91.71% 的 Rank-1 准确率，比表现最佳的经典模型高 17.9 个百分点，比性能最强的三元组损失基线高 58.4 个百分点。当驾驶员池从 10 人扩大到 45 人时，TEMPEST 的性能仅下降 4.3 个百分点，而有监督和无监督三元组损失基线分别下降 22 个百分点和 32.5 个百分点。在公开的 KIA Soul 数据集上，其跨会话优势也得到验证：在会话内和跨会话设置下，TEMPEST 分别比表现最佳的经典模型高 7.3 个百分点和 14.3 个百分点。TEMPEST 拥有 720K 个参数、2.80 MB 的存储占用，并在 50 个 epoch 内收敛，为可扩展的行为驾驶员生物特征识别建立了严格且可复现的基线。