基于轻量级多尺度卷积神经网络的驾驶员分心行为识别LiteDriveNet

《Scientific Reports》：LiteDriveNet for driver distraction classification using a lightweight multi-scale convolutional neural network

　　

摘要

分心驾驶是全球性的严重问题，也是众多道路碰撞事故的重要诱因。为解决这些问题，本文提出了一种名为LiteDriveNet的新模型，这是一种资源效率高的16层卷积神经网络，体积仅为1.71MB，可用于精确的图像识别和行为分析。该模型的架构采用了多尺度特征融合、渐进式特征增强以及分层特征聚合技术，从而实现强大的特征提取能力。为评估该模型的性能，本文还构建了一个名为DistractedDrivingSet_v1的数据集，其中包含6075张户外图片，分为8个不同类别，这些图片都是在阳光和阴影等真实环境光照条件下拍摄的。此外，还使用两个公开的可用于基准测试的数据集——State Farm分心驾驶检测数据集（SFD3）和开罗美国大学版本2数据集——进一步验证了LiteDriveNet的性能。实验结果表明，与现有的最先进轻量级模型以及基于神经架构搜索的模型相比，LiteDriveNet在准确率和计算效率方面均表现更优。在DistractedDrivingSet_v1数据集上，它的平均验证准确率提升了16.53%；在SFD3数据集上提升了6.70%；在AUCv2 Camera1数据集上提升了10.91%；而在AUCv2 Camera2数据集上则提升了28.97%。通过消融研究也证实，相较于现有的最先进技术，LiteDriveNet是一种出色的轻量级分心驾驶识别模型，非常适合用于实时应用场景。