LNet:通过场景和视线一致性进行驾驶员注意力估计的轻量级网络
概括
本研究引入了用于车辆的轻量级驾驶员注意力估计框架. 它有效地融合了多视图场景和驾驶员目光数据,提高了准确性,而无需高额计算成本.
科学领域:
- 计算机视觉 计算机视觉
- 人与计算机的交互
- 汽车工程 汽车工程
背景情况:
- 在资源有限的车辆系统中,很难在多视图场景和驾驶员的目光之间建立一致性.
- 现有的方法通常依赖于单向数据融合,导致由于高分辨率图像处理和复杂的语义提取而导致高计算负载.
研究的目的:
- 提出一个轻量级的驾驶员注意力估计框架.
- 为了利用场景和视线之间的几何一致性来实现双向特征提取.
- 改善驾驶员注意力监测中的准确性-效率权衡.
主要方法:
- 一个轻量级的特征提取模块,具有双不对称的分支,用于并行捕获全球和本地信息.
- 一个信息交叉融合模块,以增强场景和视线流之间的互动.
- 一个多分支架构用于多尺度提取凝视和几何线索,减少计算冗余.
主要成果:
- 与以前的方法相比,拟议的框架实现了更好的准确性-效率权衡.
- 整合场景信息不会引入显著的计算开销.
- 在大型公共数据集上的实验结果验证了框架的有效性.
结论:
- 轻量级的框架有效地通过利用场景和视线之间的几何一致性来估计驾驶员的注意力.
- 该方法为驾驶员监控系统提供了计算效率高的解决方案.
- 初步探索表明,使用时间凝视连续性,有可能预测注意力趋势.
