基于深度学习的驾驶员分心行为识别模型

基于深度学习的驾驶员分心行为识别模型
成福朋;赵芸
【期刊名称】《智能计算机与应用》
【年(卷),期】2022(12)1
【摘要】针对VGG16网络识别驾驶员分心时参数量多、分类准确率低的问题,提
出了一种基于多尺度通道的分类模块MCAM。

分类模块MCAM包括MCM模块和MSE模块。

MCM模块将卷积特征图分离为4个子特征图,使用不同的卷积核对4个子特征图进行空间信息提取,以期提高分类准确率;MSE模块为改进的通道注意力,其使用一维卷积来改进原始通道注意力中的全连接层,降低了全连接层大量参数问题。

将MCAM嵌入VGG16中,并使用非对称卷积辅助降低参数量。

实验结果表明,使用MCAM模块在State Farm Distracted Driver分心数据集上达到了97.50%的识别准确率,并降低了VGG16网络的参数量。

【总页数】7页(P46-52)
【作者】成福朋;赵芸
【作者单位】浙江科技学院信息与电子工程学院
【正文语种】中文
【中图分类】U463.6;TP18
【相关文献】
1.基于图像分割的驾驶员分心行为识别研究
2.基于迁移学习的驾驶分心行为识别及模型解释
3.基于人类视觉皮层双通道模型的驾驶员眼动行为识别
4.基于类间距优化的分心驾驶行为识别模型训练方法
5.基于深度学习的驾驶员分心行为识别
因版权原因，仅展示原文概要，查看原文内容请购买。