基于轻量级网络和微小物体检测的驾驶员分心检测.

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 道路安全工程 道路安全工程

背景情况:

• 实时驾驶员分心检测对于道路安全和先进的驾驶辅助系统至关重要.
• 轻量级模型对于车载边缘计算至关重要,但往往会损害微小目标检测的准确性.
• 现有的方法优先考虑效率,而不是在检测小,关键的视觉线索时保持性能.

研究的目的:

• 推出MTNet,一种新的轻量级深度学习模型,用于高效准确地检测驾驶员的分心.
• 为了应对在资源有限的环境中检测小目标时保持高精度的挑战.
• 为了提高边缘设备上的驾驶员监控系统的性能.

主要方法:

• 开发了MTNet,具有具有集成注意力机制的多维自适应特征提取块.
• 实现了一个轻量级的功能融合块,以减少计算复杂性和内存访问.
• 使用了一种专门用于增强微小目标检测的IoU-NWD加权损失功能.
• 整合了CFSM和EPIEM模块以优化特征图计算和精确平衡模型重量.

主要成果:

• 与LDDB基准中的多个先进检测模型相比,MTNet表现优越.
• 拟议的方法有效地平衡了轻量级设计与更高的准确性,特别是对于小型目标.
• 实验结果验证了模型在实时驾驶员分心检测场景中的效率和有效性.

结论:

• 在边缘设备上,MTNet为实时驾驶员分心检测提供了一个有前途的解决方案.
• 该模型的设计成功地克服了轻量级架构和微小目标检测性能之间的权衡.
• 这一进步有助于提高道路交通安全,并开发更具能力的辅助驾驶系统.