用于可靠驾驶员行为分析的校准与资源感知超分辨率方法
计算机视觉与模式识别
2025-09-30 v1
摘要
驾驶员监控系统不仅需要高准确率，还需要可靠且校准良好的置信分数以确保安全关键场景下的部署。虽然直接低分辨率训练可以达到高整体准确率，但会产生校准不良的预测，这在安全关键场景中可能是危险的。我们提出了一种资源感知的自适应超分辨率框架，以优化模型校准和关键事件上的高精确率-召回率。我们的方法在安全中心指标上达到了最先进的性能：最佳校准（ECE 为 5.8%，而低分辨率训练基线为 6.2%），疲劳检测的最高 AUPR（0.78 对 0.74），以及手机使用检测的优越精确率-召回率（0.74 对 0.71）。一个轻量级伪影检测器（0.3M 参数，5.2ms 开销）通过过滤超分辨率诱导的幻觉提供了额外的安全性。虽然低分辨率训练的视频模型可作为强大的通用基线，但我们的自适应框架代表了安全关键应用中可靠性至上的最先进的解决方案。
引用
@article{arxiv.2509.23535,
title = {Calibrated and Resource-Aware Super-Resolution for Reliable Driver Behavior Analysis},
author = {Ibne Farabi Shihab and Weiheng Chai and Jiyang Wang and Sanjeda Akter and Senem Velipasalar Gursoy and Anuj Sharma},
journal= {arXiv preprint arXiv:2509.23535},
year = {2025}
}