基于非局部三维注意力网络的日常面部疲劳机器视觉检测
计算机视觉与模式识别
2021-04-22 v1
摘要
疲劳检测对于人们保持心理健康和预防安全事故具有重要价值。然而，由于缺少非实验室数据集和定义良好的算法，通过机器视觉检测面部疲劳（尤其是真实世界中的轻度疲劳）仍是一项挑战。为提升可广泛应用于日常生活的面部疲劳检测能力，本文提供了一个名为DLFD（日常疲劳数据集）的音视频数据集，其反映了自然场景下人们的面部疲劳状态。我们采用结合非局部注意力机制的3D-ResNet框架，以提取时空维度上的局部与长程特征。随后，设计了一种融合均方误差与交叉熵的紧凑损失函数，用于预测连续与分类的疲劳程度。所提框架在验证集上达到90.8%的平均二分类准确率，在测试集上达到72.5%，优于其他SOTA方法。特征图可视化分析表明，我们的框架捕捉了面部动态并尝试与疲劳状态建立关联。多指标实验结果证明，该框架捕获了时空维度上一些典型的、微妙的动态面部特征，有助于自然场景下的轻度疲劳检测。
引用
@article{arxiv.2104.10420,
title = {Machine vision detection to daily facial fatigue with a nonlocal 3D attention network},
author = {Zeyu Chen and Xinhang Zhang and Juan Li and Jingxuan Ni and Gang Chen and Shaohua Wang and Fangfang Fan and Changfeng Charles Wang and Xiaotao Li},
journal= {arXiv preprint arXiv:2104.10420},
year = {2021}
}
备注
25 pages, 6 figures, 5 tables