通过特征解耦和对比学习实现跨相机的驾驶员分心检测
《IEEE Transactions on Intelligent Transportation Systems》:Cross-Camera Distracted Driver Classification Through Feature Disentanglement and Contrastive Learning
【字体:
大
中
小
】
时间:2026年05月08日
来源:IEEE Transactions on Intelligent Transportation Systems 8.4
编辑推荐:
摘要:
对分心驾驶者的分类对于确保安全驾驶至关重要。先前的研究已经证明了神经网络在自动预测驾驶员分心、疲劳和潜在危险方面的有效性。然而,最近的研究发现,当这些模型应用于与训练数据不同的条件下获取的样本时,准确性会显著下降
摘要:
对分心驾驶者的分类对于确保安全驾驶至关重要。先前的研究已经证明了神经网络在自动预测驾驶员分心、疲劳和潜在危险方面的有效性。然而,最近的研究发现,当这些模型应用于与训练数据不同的条件下获取的样本时,准确性会显著下降。在本文中,我们介绍了一个能够在车辆内部摄像头位置发生变化的情况下仍保持稳定性能的模型。我们的驾驶员行为监控网络(DBMNet)基于一个轻量级的主干网络,并整合了一个解耦模块,用于从特征中去除摄像头视角信息。此外,我们还结合了对比学习来增强对各种驾驶员行为的编码。通过在100-Driver数据集的日间和夜间子集上使用“留一个摄像头不参与训练”的方法进行实验,验证了我们方法的有效性。在三个基准数据集(AUCDD-V1、EZZ2021和SFD)上进行的跨数据集和跨摄像头实验证明了所提出方法的优越泛化能力。总体而言,DBMNet的Top-1准确率相比现有高效方法提高了7%。此外,DBMNet的量化版本以及所有考虑过的方法均已部署在Coral开发板上。在这种部署场景下,DBMNet的表现优于其他方案,实现了最低的平均错误率,同时保持了模型尺寸的紧凑性、低内存占用、快速推理时间和最小的功耗。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号