LiteFat：面向实时司机疲劳检测的轻量时空图学习
计算机视觉与模式识别
2025-08-14 v2 人工智能
摘要
检测司机疲劳对于道路安全至关重要，因为疲劳驾驶仍是交通事故的主要原因之一。许多现有解决方案依赖计算资源消耗大的深度学习模型，导致高延迟，不适用于资源受限的嵌入式机器人设备（如智能车辆/汽车），这些设备需要快速检测以防止事故。本文介绍 LiteFat，一种旨在高效检测司机疲劳、保持高准确率和低计算需求的轻量时空图学习模型。LiteFat 通过面部关键点检测将流式视频数据转换为时空图（STG），该过程聚焦于关键运动模式，减少不必要的数据处理。LiteFat 使用 MobileNet 提取面部特征并为 STG 创建特征矩阵。随后采用轻量时空图神经网络进行疲劳识别，处理最小化且延迟低。在基准数据集上的实验结果表明，LiteFat 在当前最先进方法中具有竞争性能，同时显著降低计算复杂度和延迟。这一工作使得开发可在嵌入式机器人设备上实现的实时、资源高效的人类疲劳检测系统成为可能。
引用
@article{arxiv.2507.21756,
title = {LiteFat: Lightweight Spatio-Temporal Graph Learning for Real-Time Driver Fatigue Detection},
author = {Jing Ren and Suyu Ma and Hong Jia and Xiwei Xu and Ivan Lee and Haytham Fayek and Xiaodong Li and Feng Xia},
journal= {arXiv preprint arXiv:2507.21756},
year = {2025}
}
备注
8 pages, 4 figures