利用分数Softmax分类器与动态高斯平滑监督提升分心驾驶检测的跨数据集性能
计算机视觉与模式识别
2025-01-06 v4
摘要
深度神经网络实现了对车内驾驶员的实时监测，便于及时预测分心、疲劳与潜在危险。该技术现已成为智能交通系统的重要组成部分。近期研究揭示了由于数据样本数量有限和背景噪声导致的跨数据集驾驶员行为识别不可靠问题。本文提出一种分数Softmax（Score-Softmax）分类器，通过增强类别独立性来降低模型的过度自信。模仿人类评分过程，我们设计了一个由一维高斯平滑标签构成的二维动态监督矩阵。动态损失下降方向与高斯平滑增加了训练的不确定性，以防止模型陷入噪声陷阱。此外，我们引入一种简单便捷的多通道信息融合方法，解决了任意分数Softmax分类头之间的融合问题。我们使用SFDDD、AUCDD和100-Driver数据集进行了跨数据集实验，表明分数Softmax在不修改模型架构的情况下提升了跨数据集性能。实验表明，分数Softmax分类器减少了背景噪声的干扰，增强了模型的鲁棒性。它在三个数据集上分别将跨数据集准确率提升了21.34%、11.89%和18.77%。代码已公开于 https://github.com/congduan-HNU/SSoftmax。
引用
@article{arxiv.2310.05202,
title = {Enhancing Cross-Dataset Performance of Distracted Driving Detection With Score Softmax Classifier And Dynamic Gaussian Smoothing Supervision},
author = {Cong Duan and Zixuan Liu and Jiahao Xia and Minghai Zhang and Jiacai Liao and Libo Cao},
journal= {arXiv preprint arXiv:2310.05202},
year = {2025}
}
备注
This paper has been accepted for IEEE Transactions on Intelligent Vehicles