真实场景下的驾驶员视线分类：迈向跨域与跨受试者的泛化
计算机视觉与模式识别
2021-11-10 v3
摘要
分心的驾驶员是危险的驾驶员。为高级驾驶辅助系统（ADAS）配备检测驾驶员分心的能力有助于预防事故并提升驾驶员安全性。为了检测驾驶员分心，ADAS必须能够监测其视觉注意力。我们提出了一种模型，该模型以驾驶员面部补丁及眼部区域裁剪作为输入，并将其视线分类为车辆内的6个粗粒度感兴趣区域（ROI）。我们证明，采用额外重建损失训练的沙漏网络可使模型学习到比传统仅编码器的分类模块更强的上下文特征表示。为使系统对受试者外观与行为的个体差异具有鲁棒性，我们设计了一个以代表驾驶员基线视线行为的辅助输入进行调优的个性化沙漏模型。最后，我们提出了一种弱监督多域训练方案，使沙漏网络能够利用未标记样本从不同域（相机类型、角度各异）联合学习表示，从而降低标注成本。
引用
@article{arxiv.2012.02906,
title = {Driver Glance Classification In-the-wild: Towards Generalization Across Domains and Subjects},
author = {Sandipan Banerjee and Ajjen Joshi and Jay Turcot and Bryan Reimer and Taniya Mishra},
journal= {arXiv preprint arXiv:2012.02906},
year = {2021}
}
备注
IEEE FG 2021