10、实时驾驶员困倦检测与中风预测技术分析

实时驾驶员困倦检测与中风预测技术分析

实时驾驶员困倦检测

在实时驾驶员困倦检测领域，为了实现高效且准确的检测，研究人员进行了一系列的模型优化和实验。

模型优化过程

• DDDN - P4 模型 ：最初的 DDDN - B4 模型在每个分支上进行了优化，仅保留前 3 层，得到了剪枝后的 DDDN - P4 模型。该模型的卷积滤波器大小和每层及分支的滤波器数量保持不变，但输入图像大小从 224 × 224 减小到 112 × 112。这一改变显著降低了计算复杂度，同时分类准确率相比 DDDN - B4 有所提高。

• 基于 VBMF 的秩分析 ：为了进一步优化 DDDN - P4 模型，采用 VBMF 方法进行秩分析。对于给定层的卷积核权重张量 K（大小为 S × S × D × N），通过 Tucker 分解可将其表示为特定形式。利用 VBMF 估计 DDDN - P4 模型各层的 R3 和 R4 值，结果显示卷积层张量的秩非常低（≤4），这意味着可以用一个非常轻量级的神经网络替代 DDDN - P4。以下是 VBMF 秩估计结果：
  | Layer name | Eye branch | Mouth branch | Face branch |
  | — | — | — | — |
  | | R3 | R4 | R3 | R4 | R3 | R4 |
  | conv1 | 1 | 1 | 2 | 2 | 1 | 3 |
  | conv2 | 1 | 0 | 1 | 1 | 2 | 0 |
  | conv3 | 2 |