RMTSE:一个空间通道双重注意网络,用于识别驾驶员的分心
Junyi He1, Chang Li2, Yang Xie2
1Faculty of Information Science, Huxi Campus, Chongqing University, Chongqing 400044, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
这项研究引入了一种新的混合注意力模型 (RMTSE),以准确识别驾驶员的分心,提高道路安全. 该模型增强了特征提取和概括,在识别局部和微妙的驾驶行为方面实现了高精度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 道路交通安全 道路交通安全
背景情况:
- 司机的分心是交通事故的主要原因之一.
- 当前的行为识别方法对于局部化的行为缺乏准确性,并且无法区分微妙的差异.
- 准确的驾驶员行为识别对于提高道路安全至关重要.
研究的目的:
- 提出RMTSE,一种混合注意力模型,以改善驾驶员分心的识别.
- 提高识别局部和微妙驾驶行为的准确性和效率.
- 解决现有的驾驶员行为识别系统的局限性.
主要方法:
- 开发了一个名为RMTSE的混合注意力模型.
- 介绍了曼哈顿自我注意力挤压和刺激 (MaSA-SE) 模块,将空间自我注意力和道注意力结合起来.
- 采用转移学习策略,使用预先训练的权重来加速融合和增强特征概括.
主要成果:
- 在SFD3数据集上达到99.82%的Top-1准确度,在100驱动器数据集上达到94.95%.
- 通过专注的特征提取,证明了提高学习效率.
- 性能优于现有的最先进的方法,参数增量最小.
结论:
- RMTSE模型显著提高了驾驶员分心识别的准确性.
- 马萨-SE模块有效地提高了特征可区分性和学习效率.
- 提出的方法通过改进驾驶员行为分析,有助于提高道路安全.
