基于时空双分支特征引导融合网络的驾驶员注意力预测模型研究

为解决驾驶员注意力预测中空间尺度特征利用不足和时序运动信息缺乏有效引导的问题，研究人员提出了一种时空双分支特征引导融合网络(SDFF-Net)。该模型通过多尺度特征聚合(MFA)模块增强空间细节表征，利用注意力转移机制(ATM)捕捉长时序依赖，在DADA-2000和TDV数据集上实现最优性能，为复杂交通场景下的驾驶安全与ADAS系统提供实时预测支持。

　　

在瞬息万变的交通场景中，准确预测驾驶员视线区域对行车安全至关重要。然而现有模型面临两大瓶颈：空间尺度特征挖掘不充分导致关键目标（如行人、车辆）识别偏差，以及连续帧间运动信息引导缺失造成动态环境评估失真。这些问题直接影响高级驾驶辅助系统(ADAS)的预警准确性和自动驾驶的决策可靠性。

针对这些挑战，研究人员开发了时空双分支特征引导融合网络(SDFF-Net)。该模型创新性地采用双路架构：空间分支通过多尺度特征聚合(MFA)模块构建双向采样路径，实现跨感受野的显著性特征提取；时序分支利用注意力转移机制(ATM)建立帧间长程依赖，增强动态场景的时空连贯性。实验证明，该模型在DADA-2000和TDV数据集上多项指标超越现有方法，且计算效率适合资源受限环境部署。

关键技术方法
研究采用视频序列分析框架，从DADA-2000和TDV数据集中获取驾驶场景样本。空间分支通过卷积神经网络提取多层级特征，MFA模块采用金字塔采样策略融合不同分辨率特征；时序分支利用3D卷积捕获运动信息，ATM机制通过跨帧注意力权重传递显著性线索。最终通过特征融合解码生成预测的热力图。

研究结果
多尺度特征聚合模块
MFA模块通过自上而下和自下而上的双向路径，将高层语义与底层细节特征进行层级关联。实验显示该设计使模型在复杂场景下的目标定位误差降低12.7%，显著提升对小尺度危险物的检测能力。

注意力转移机制
ATM通过计算帧间注意力相似度矩阵，建立关键显著性区域的传播路径。定量分析表明该机制使时序预测的KL散度值改善19.3%，有效缓解了快速移动目标的预测滞后问题。

融合解码性能
对比实验验证了双分支特征互补性：空间特征主导静态危险物检测（准确率提升8.2%），时序特征优化运动轨迹预测（AUC提高6.5%）。融合后的模型在交叉场景测试中展现出强鲁棒性。

结论与意义
该研究通过SDFF-Net实现了空间细节与时序动态的协同建模，解决了传统方法在复杂交通场景中的特征表达局限。其创新点在于：1) MFA模块突破单一感受野限制，通过层级关联增强多尺度目标检测；2) ATM机制建立跨帧显著性传播路径，提升动态风险预判能力。实际应用中，该模型可为ADAS系统提供每秒25帧的实时预测，对危险事件的预警响应时间缩短40%。这项发表于《Expert Systems with Applications》的成果，为自动驾驶环境感知和驾驶员状态监控提供了新的技术范式。