Jun, 2023

基于自监督学习框架和遮挡图像建模的新型驾驶员分神行为检测

PDF
TL;DR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。
driver distractionself-supervised learningmasked image modelingswin transformerdata augmentation
发现论文，激发创造
  • 运用时空关注机制与视觉变换器识别分心和疲劳驾驶

    2021 年与 2020 年相比，车辆事故率上升 20％，其中 45％的车祸是由于疲劳和分心驾驶所致。这项研究使用计算机视觉设计了低成本、精度高且侵入性小的检测方法，探讨了使用视觉变换器来优于 3D-CNNs 的最新准确性，针对分心和疲劳驾驶分别训练了两个变压器。其中，分心的模型表现超越最先进的模型，达到 97.5％的准确度。建议未来的研究使用新的和更强大的模型来实现更高的准确性和效率，在现有数据集的基础上扩展到检测醉酒驾驶和道路愤怒，以创建全面的解决方案来防止交通事故。

    Jul, 2022

  • 采用卷积神经网络集成的驾驶员分心识别

    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

  • 视觉 - 语言模型能从自然视频中识别分心驾驶员的行为

    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

  • 使用机器学习改进驾驶员疲劳和注意力分散的自动检测

    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

  • 使用自监督预训练和定制微调的 Transformer 智能异常检测对车道渲染的应用

    该研究提出了一个四阶段的流程，在自主预训练和深度学习技术的基础上改善了车道渲染图像异常检测的准确性和效率，证实了该流程在数字导航系统中的优越性。

    Dec, 2023

  • 自主训练的掩蔽关注引导的掩蔽图像建模与噪音约束教师 (SMART) 用于医学图像分析

    Hierarchical shifted window transformers (Swin) were architecturally enhanced with semantic class attention for self-supervised attention guided co-distillation with masked image modeling (MIM), resulting in SMART. SMART, pretrained with 10,412 unlabeled 3D computed tomography (CTs), demonstrated high performance in multiple downstream tasks involving lung cancer (LC) analysis, including predicting immunotherapy response, LC recurrence, LC segmentation, and unsupervised clustering of organs in the chest and abdomen, without finetuning.

    Oct, 2023

  • 通过卷积神经网络实时检测驾驶员注意力分散以增强道路安全

    通过比较分析卷积神经网络结构，本研究旨在识别出最有效的实时检测驾驶员分心的模型，以提升车辆安全系统的能力，从而预防因不注意引发的事故。

    May, 2024

  • 使用遮蔽的多头自注意力的强健多视角多模式驾驶员监测系统

    本文提出了一种基于多头自我注意力的多视角多模式驾驶员监控系统和 GPU 友好型监督对比学习框架 SuMoCo，用于对驾驶员行为进行多类别识别，在 DAD 数据集上的实验证明，所提出的 MHSA 融合方法（AUC-ROC：97.0％）优于所有基线和先前的方法，通过使用补丁屏蔽训练后的 MHSA 能够提高其抗模态 / 视角崩溃能力。

    Apr, 2023

  • PoseViNet: 使用多视角姿态估计和视觉变换器的分心驾驶员动作识别框架

    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

  • 基于上下文的驾驶员分心定量风险评估机器学习模型

    驾驶行为相关事故的避险技术对于风险缓解至关重要。我们提供了一种新的多类驾驶员分心风险评估（MDDRA）模型，该模型在旅程中考虑了车辆、驾驶员和环境数据。MDDRA 通过风险矩阵将驾驶员分类为安全、不小心或危险。我们使用 Field Operation Test（TeleFOT）收集了在英国东米德兰地区使用相同路线的真实数据。结果显示，通过减少由驾驶员分心引起的道路事故是可能的。我们还研究了分心（驾驶员、车辆和环境）与基于连续分心严重程度评分的分类严重程度之间的相关性。此外，我们应用机器学习技术对驾驶员分心进行分类和预测，以在情况被认为存在风险时帮助控制从驾驶员转移到车辆（接管车辆）。集成袋装树算法表现最佳，准确率为 96.2%。

    Feb, 2024