基于树状结构的多任务学习网络用于驾驶员疲劳检测与人脸识别
计算机视觉与模式识别
2024-05-14 v1
摘要
在驾驶场景中，汽车主动安全系统正逐渐融入深度学习技术。这些系统通常需要同时处理多个任务，例如疲劳驾驶检测和识别驾驶员身份。然而，传统的并行式方法将多个单任务模型组合在一起，面对类似任务时会浪费资源。因此，我们提出了一种基于树状结构的多任务建模方法，其核心是共享的特征提取 backbone，随后在模型管道深处添加更专门的独立模块分支。遵循树状结构方法，我们提出了一种用于同时执行驾驶员疲劳检测和人脸识别的多任务学习模型。该模型共享常见的特征提取 backbone 模块，进一步分离的特征提取和分类模块分支。专门的分支利用和组合空间注意力和通道注意力机制，以生成空间-通道融合注意力增强特征，从而提高检测性能。由于只有可用的单任务数据集，我们引入包括交替更新和梯度累积等技术来训练仅使用单任务数据集的多任务模型。通过大量实验验证，我们证明了该树状结构的多任务学习模型的有效性。
引用
@article{arxiv.2405.07845,
title = {Multi-Task Learning for Fatigue Detection and Face Recognition of Drivers via Tree-Style Space-Channel Attention Fusion Network},
author = {Shulei Qu and Zhenguo Gao and Xiaowei Chen and Na Li and Yakai Wang and Xiaoxiao Wu},
journal= {arXiv preprint arXiv:2405.07845},
year = {2024}
}