司机疲劳驾驶是交通事故的主要原因之一，通过引入多关注融合疲劳驾驶检测模型（MAF），可以显著提升分类性能，特别是在部分面部遮挡和低光照条件下，从而在提高算法整体稳健性方面发挥更大作用。通过在夜间和白天的光照条件下采集真实世界的数据集，我们进行了一系列综合实验，结果显示我们提出的模型达到了 96.8% 的司机疲劳检测准确率。

Dec, 2023

本文介绍了一种基于自监督学习的用于驾驶员分心检测的新方法，该方法使用遮罩图像建模进行自监督学习，并利用 Swin Transformer 作为编码器以增强性能，最终使用各种数据增广策略加上最佳的随机遮罩策略来加强模型的识别和泛化能力，测试结果表明，该方法的准确率为 99.60％，接近先进的监督学习方法的出色表现。

Jun, 2023

通过使用基于视觉和基于机器学习的方法，同时检测疲劳和注意力分散的行为，以提高智能车辆系统的驾驶行为监测能力并获得更准确和时间更短的结果。

Jan, 2024

近年来，先进驾驶辅助系统（ADAS）的科学进展在提高驾驶整体安全性方面扮演了关键角色。ADAS 技术能够主动控制车辆，以预防潜在的危险情况。研究人员关注的一个重要方面是分析驾驶员的注意力水平，因为最近的报告确认了由于困倦或注意力不集中导致的事故数量不断增加。为了解决这个问题，各种研究提出了通过监测驾驶员的生理状态来实现，因为自主神经系统（ANS）与注意力水平之间存在着确立的联系。为了进行我们的研究，我们设计了一种创新的生物传感器，包括近红外 LED 发射器和光电二极管，具体来说是一种硅光电倍增器装置。这使我们能够通过分析相关的光电容抗（PPG）信号评估驾驶员的生理状态。此外，我们开发了一种嵌入式时域超滤波技术，并结合了一种 1D 时域卷积架构，该架构中嵌入了渐进延展设置。这个集成系统能够实时分类驾驶员的困意，获得 96% 左右的显著准确度水平。

Jul, 2023

本文提出用于早期疲劳检测的多层次多尺度长短时记忆网络 (HM-LSTM)，结合测量到的眨眼特征，对大型真实数据集进行了测试，发现基于眼睑特征的检测方法比人类判断更准确。

Apr, 2019

提出了一种基于 CLIP 的驾驶员活动识别方法，该方法可以从自然驾驶图像和视频中识别驾驶员分心行为，并具有零样本迁移和面向任务的微调的特点。

Jun, 2023

研究利用深度学习和卷积神经网络进行驾驶员分心检测，提供了一个包含更多分心姿态的公共数据集，并提出了一种可靠的基因加权集成方法，可以在现实环境中实现 84.64％分类准确率。

Jan, 2019

该研究论文解决了自动驾驶车辆和驾驶辅助系统中与交通标志检测相关的挑战，特别关注使用 Transformer 模型来提高检测的速度和准确性。

Nov, 2023

该研究引入了一种利用多视角驾驶员行为图像检测驾驶员分心的新方法，该方法基于姿态估计和动作推理的视觉变换器框架，名为 PoseViNet。通过将姿势信息添加到变换器中，使其更加专注于关键特征，从而更好地识别关键动作。通过与现有模型在两个不同的数据集上的比较，证明了 PoseViNet 的优越性。在具有挑战性的 SynDD1 数据集上，PoseViNet 实现了 97.55％的验证准确率和 90.92％的测试准确率。

Dec, 2023

本文提出了一个新的基于驾驶员目光追踪和车祸注释的视频基准测试集（DADA-2000），涵盖了 54 种不同类型的车祸，可以更全面地预测即将发生的事故。

Apr, 2019