通过特征解缠与对比学习实现跨摄像头注意力驾驶员分类
计算机视觉与模式识别
2026-04-02 v3 人工智能
计算机与社会
摘要
注意力驾驶员分类对于确保安全驾驶至关重要。先前的研究表明，神经网络在自动预测驾驶员注意力不集中、疲劳以及潜在危险方面效果显著。然而，近期研究发现，这些模型在应用于与训练数据不同的条件时会出现显著精度下降。在本文中，我们引入了一种鲁棒模型，旨在抵御车辆内摄像头位置变化的影响。我们的驾驶员行为监控网络（DBMNet）依赖于轻量级主干网络，集成了解缠模块以丢弃特征中的摄像头视角信息，并通过对比学习来增强对各种驾驶员动作的编码。使用在白天和夜间子集上的 leave-one-camera-out 协议进行的实验验证了该方法的有效性。在三个基准数据集（AUCDD-V1、EZZ2021 和 SFD）上的跨数据集和跨摄像头实验表明，所提出方法具有优异的泛化能力。总体而言，DBMNet 相比于现有高效方法在 Top-1 准确率上提升了 7%。此外，DBMNet 的量化版本和所考虑的所有方法都已部署在 Coral Dev Board 上。在这种部署场景中，DBMNet 在保持紧凑模型大小、低内存占用、快速推理时间和最小功耗的同时，实现了最低的平均误差。
引用
@article{arxiv.2411.13181,
title = {Cross-Camera Distracted Driver Classification through Feature Disentanglement and Contrastive Learning},
author = {Luigi Celona and Simone Bianco and Paolo Napoletano},
journal= {arXiv preprint arXiv:2411.13181},
year = {2026}
}