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

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

实时交通信号灯识别对于自动驾驶至关重要。本研究通过对使用卷积神经网络（CNN）的交通信号灯识别方法进行综合调查和分析，着重于数据集和 CNN 架构两个重要方面，并将方法根据底层架构分为三个主要群组：(1) 修改通用目标检测器来补偿特定任务特征的方法， (2) 利用规则和 CNN 组件的多阶段方法和 (3) 特定任务的单阶段方法。我们描述了每个群组中最重要的工作，讨论了数据集的使用情况，确定了研究的空白点。

Sep, 2023

提出了一种基于图卷积长短期记忆网络模型的可靠的驾驶行为检测系统，它使用公共传感器增强了传感器数据模型的精度和实用性。同时，我们引入了非公共传感器用于评估模型的有效性，结果显示该模型在两种情况下的准确率均表现出一致性和高精度，这个系统可以有效地检测危险和不安全的驾驶行为，具有提高道路安全性和减少由驾驶员错误引起的事故的潜在应用。

May, 2023

在交通运输不断演进的背景下，汽车的普及使道路交通更加复杂，需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法，实现了接近 96% 的准确率，突出了通过高级定位技术可以实现更高的精度，这不仅对交通标志识别技术的持续发展有所贡献，也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。

Mar, 2024

本研究提出了一种声控实时交通标志识别系统，使用了卷积神经网络进行交通标志的检测和识别，并通过语音信息来向驾驶员表达交通标志的内容。该系统的优势在于能够检测并向驾驶员传达交通标志的信息，即使驾驶员未能看到或理解。这种类型的系统也对自动驾驶汽车的发展非常重要。

Apr, 2024

通过提出三个小型，计算成本较低的深度端到端神经网络模型，直接从输入图像中产生驾驶控制信号，并利用深度和薄型全卷积网络与递归神经网络以及低参数计数等方法来解决复杂的端到端回归任务，预测转向和加速度指令，并包括分类优化层，以允许网络隐式地学习图像语义。我们证明，与最新的可比较的端到端驾驶网络相比，所得到的网络使用了 3 倍少的参数以及比 AlexNet 变化小 500 倍，同时维持对于过拟合的稳健性。

Nov, 2017

本文介绍一种新的基于卷积神经网络集成学习和遗传算法优化的 “分心驾驶” 姿势估计系统，能够高效检测和识别驾驶人员的姿态，同时降低交通事故风险。

Jun, 2017

本文提出了一种基于卷积神经网络的方法，将交通数据通过二维时间空间矩阵转化成图像进行处理，并预测大规模网络流量，实验结果表明该方法在处理大规模交通网络数据方面表现出较高的准确性。

Jan, 2017

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