C-DIRA：面向轻量级驾驶员行为识别的计算高效动态感兴趣区域路由与域不变对抗学习
计算机视觉与模式识别
2025-12-11 v2
摘要
使用车载摄像头进行驾驶员分心行为识别需要在边缘设备上进行实时推理。然而，轻量模型往往无法捕捉细粒度的行为线索，导致在未见驾驶员或不同条件下性能下降。基于感兴趣区域的方法也增加了计算成本，使得难以平衡效率与精度。本工作旨在满足克服这些约束的轻量架构需求。我们提出了面向轻量级驾驶员行为识别的计算高效动态感兴趣区域路由与域不变对抗学习框架（C-DIRA）。该框架结合了显著性驱动的 Top-K 感兴趣区域池化和融合分类，用于局部特征提取与整合。动态感兴趣区域路由通过仅对高难度数据样本进行感兴趣区域推理来实现选择性计算。此外，伪域标注和对抗学习被用于学习对驾驶员和背景变化具有鲁棒性的域不变特征。在 State Farm 驾驶员分心检测数据集上的实验表明，C-DIRA 在显著更少的 FLOPs 和更低延迟的情况下保持了高精度，优于先前的轻量模型。它还展示了在视觉退化（如模糊和低光照）下的鲁棒性，以及在未见域上的稳定性能。这些结果证实了 C-DIRA 在实现紧凑性、效率和泛化方面的有效性。
引用
@article{arxiv.2512.08647,
title = {C-DIRA: Computationally Efficient Dynamic ROI Routing and Domain-Invariant Adversarial Learning for Lightweight Driver Behavior Recognition},
author = {Keito Inoshita},
journal= {arXiv preprint arXiv:2512.08647},
year = {2025}
}