利用先进的深度学习模型实现实时驾驶员行为检测

《Cognitive Neurodynamics》：Real-time driver activity detection using advanced deep learning models

驾驶员行为监测系统通过融合CNN提取局部特征、Transformer建模全局上下文及ECA高效通道注意力机制，显著提升多类驾驶行为识别准确率。在四类基线模型中，DenseNet201和MobileNetV2分别达到99.40%和99.31%的验证精度，而本文提出的Hybrid CNN-Transformer架构在验证集实现99.72%精度，独立测试集更达到100%准确率，有效降低驾驶事故风险。

　　

摘要

交通事故通常由驾驶员的注意力不集中、困倦和分心引起，对全球道路安全构成了严重威胁。计算机视觉和人工智能（AI）的进步为设计实时驾驶员监控系统提供了新的可能性，以减少这些危险。在本文中，我们评估了四种知名的深度学习模型：MobileNetV2、DenseNet201、NASNetMobile 和 VGG19，并提出了一种独特的混合 CNN-Transformer 架构，该架构采用了高效通道注意力（ECA）机制，用于多类驾驶员行为分类。该框架定义了七种重要的驾驶行为：闭眼、睁眼、危险驾驶、分心驾驶、饮酒、打哈欠和安全驾驶。在基线模型中，DenseNet201（99.40%）和 MobileNetV2（99.31%）取得了最高的验证准确率。相比之下，所提出的带有 ECA 的混合 CNN-Transformer 模型达到了近乎完美的验证准确率（99.72%），并在独立测试集上实现了 100% 的准确率，进一步证明了其出色的泛化能力。混淆矩阵分析表明存在一些误分类情况，这验证了该模型的高泛化能力。通过结合基于 CNN 的局部特征提取、注意力驱动的特征细化以及基于 Transformer 的全局上下文建模，该系统兼具鲁棒性和高效性。这些发现表明，在实时智能交通应用中使用所提出的技术是可行的，为减少交通事故和提高整体道路安全提供了有效的途径。