基于计算机视觉与深度学习及遗传算法集成的驾驶员分心识别方法
计算机视觉与模式识别
2021-11-12 v1 人工智能
摘要
随着每年道路事故比例上升，驾驶员分心仍是道路交通伤害与死亡的重要风险因素。移动电话及其他无线设备使用增加引起的分心对道路安全构成潜在威胁。我们当前的研究旨在通过提升驾驶员分心分类问题的性能，辅助已有的驾驶员姿态识别技术。我们提出了一种使用基于遗传算法的六个独立深度神经架构集成的方法，即 AlexNet、VGG-16、EfficientNet B0、Vanilla CNN、Modified DenseNet 和 InceptionV3 + BiLSTM。我们在两个综合数据集上测试：AUC 分心驾驶员数据集，我们的技术达到 96.37% 准确率，超越了先前取得的 95.98%；以及 State Farm 驾驶员分心数据集，我们达到 99.75% 准确率。该 6 模型集成在我们的机器（Ubuntu 20.04(64位)，GPU 为 GeForce GTX 1080）上测得的推理时间为 0.024 秒。
引用
@article{arxiv.2107.13355,
title = {A Computer Vision-Based Approach for Driver Distraction Recognition using Deep Learning and Genetic Algorithm Based Ensemble},
author = {Ashlesha Kumar and Kuldip Singh Sangwan and Dhiraj},
journal= {arXiv preprint arXiv:2107.13355},
year = {2021}
}
备注
12 pages, Presented in 20th International Conference on Artificial Intelligence and Soft Computing (ICAISC 2021)