Transformer disperso de pirámide deformable para la detección semisupervisada de distracciones del conductor

Área de la Ciencia:

• Sistemas de Transporte Inteligentes
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• La atención del conductor es crucial para la seguridad del transporte inteligente.
• La anotación manual para los modelos de detección de distracciones del conductor es costosa y requiere mucho tiempo.
• Los modelos existentes tienen dificultades con datos etiquetados limitados.

Objetivo del estudio:

• Proponer un marco adaptativo semisupervisado para la detección de distracciones del conductor.
• Mejorar el rendimiento del modelo con datos etiquetados limitados.
• Mejorar los sistemas de monitorización del conductor en el mundo real.

Principales métodos:

• Utiliza el aprendizaje profesor-alumno y la fusión de características de pirámide deformable.
• Incorpora una estrategia adaptativa de optimización de pseudoetiquetas con umbral consciente de la categoría y ponderación de la confianza.
• Integra un módulo Transformer disperso de pirámide deformable (DPST) en un detector YOLOv11.
• Emplea destilación de consistencia de características guiada por el profesor.

Principales resultados:

• Logra una detección de distracciones robusta y escalable utilizando datos etiquetados limitados y datos no etiquetados abundantes.
• El módulo DPST mejora la percepción detallada de los comportamientos sutiles del conductor.
• Supera a las bases de referencia totalmente supervisadas en el conjunto de datos Roboflow Distracted Driving Dataset en métricas mAP.
• Demuestra un equilibrio entre precisión y recuperación.

Conclusiones:

• El marco propuesto ofrece una solución eficaz para la detección de distracciones del conductor en condiciones de anotación limitadas.
• Permite sistemas de monitorización del conductor prácticos y escalables.
• Mitiga el impacto de las pseudoetiquetas ruidosas a través de la destilación de consistencia de características.