---
format: "aidr-story-markdown/v1"
id: "6f2df0bab3eeb195ad4d94aff4543038d514aef33ce7ac5c02cb00f99148bc17"
canonical_url: "https://aidr.today/6f2df0ba?lang=vi"
title: "TEMPEST: Temporal embedding cho việc nhận diện tài xế quy mô lớn qua học góc lề"
lang: "vi"
requested_lang: "vi"
available_langs: ["en","vi"]
translation_fallback: null
fallback_fields: []
published_at: "2026-10-07T04:00:00.000Z"
category: "Research"
topics: ["inference"]
source_urls: ["https://arxiv.org/abs/2610.06855"]
summary: "Việc nhận diện tài xế quy mô lớn đòi hỏi các embedding model duy trì hiệu suất phân biệt khi quy mô đội xe mở rộng, thế nhưng các công thức triplet-loss hiện có lại suy giảm nhanh chóng theo kích thước nhóm tài xế và bị overfitting với các mẫu đặc thù theo phiên dưới sự đánh giá khắt khe về thời gian. Nhóm nghiên cứu giới thiệu TEMPEST, một Temporal Convolutional Network embedding model được huấn luyện bằng hàm loss additive angular margin (ArcFace) nhằm ép buộc phân tách mức lớp toàn cục trong không gian góc chuẩn hóa. TEMPEST ánh xạ các cửa sổ lái xe đa phương thức trong 60 giây thành các embedding 96 chiều nhỏ gọn, hỗ trợ việc đăng ký động thực sự mà không cần huấn luyện lại hay tinh chỉnh lại bộ phân loại. Dưới sự đánh giá thời gian khắt khe trên tập dữ liệu 45 tài xế, TEMPEST đạt độ chính xác 91,71% Rank-1, vượt trội hơn mô hình cổ điển tốt nhất 17,9 điểm phần trăm và baseline triplet-loss mạnh nhất 58,4 điểm phần trăm."
---

# TEMPEST: Temporal embedding cho việc nhận diện tài xế quy mô lớn qua học góc lề

> [Open the canonical story](<https://aidr.today/6f2df0ba?lang=vi>)

**Published:** 2026-10-07T04:00:00.000Z
**Category:** Research
**Topics:** inference

## Summary

Việc nhận diện tài xế quy mô lớn đòi hỏi các embedding model duy trì hiệu suất phân biệt khi quy mô đội xe mở rộng, thế nhưng các công thức triplet\-loss hiện có lại suy giảm nhanh chóng theo kích thước nhóm tài xế và bị overfitting với các mẫu đặc thù theo phiên dưới sự đánh giá khắt khe về thời gian\. Nhóm nghiên cứu giới thiệu TEMPEST, một Temporal Convolutional Network embedding model được huấn luyện bằng hàm loss additive angular margin \(ArcFace\) nhằm ép buộc phân tách mức lớp toàn cục trong không gian góc chuẩn hóa\. TEMPEST ánh xạ các cửa sổ lái xe đa phương thức trong 60 giây thành các embedding 96 chiều nhỏ gọn, hỗ trợ việc đăng ký động thực sự mà không cần huấn luyện lại hay tinh chỉnh lại bộ phân loại\. Dưới sự đánh giá thời gian khắt khe trên tập dữ liệu 45 tài xế, TEMPEST đạt độ chính xác 91,71% Rank\-1, vượt trội hơn mô hình cổ điển tốt nhất 17,9 điểm phần trăm và baseline triplet\-loss mạnh nhất 58,4 điểm phần trăm\.

## Sources

- [Story source](<https://arxiv.org/abs/2610.06855>)