基于RepVGG的疲劳驾驶检测算法

TP391; 为提高疲劳驾驶检测方法的准确率和可部署性,提出一种基于RepVGG的疲劳驾驶检测算法.在模型中增添空洞卷积金字塔池化(atrous spatial pyramid pooling,ASPP)模块,以捕捉多尺度疲劳特征信息.将卷积块注意力模块(convolutional block attention module,CBAM)与ASPP模块结合,单独应用于模型中,进一步强调和捕捉疲劳特征表达的多尺度信息和重要区域信息,并抑制图像中的背景信息,从而提高模型的性能和鲁棒性.结果表明:改进RepVGG算法在疲劳驾驶数据集上的准确率达到了 97.34%,比原算法提高了 2.51%,且模型参...

Full description

Saved in:
Bibliographic Details
Published in兵工自动化 Vol. 43; no. 12; pp. 26 - 41
Main Authors 夏庆锋, 李明阳, 宋志强, 许可儿
Format Journal Article
LanguageChinese
Published 无锡学院自动化学院,江苏 无锡 214105%南京信息工程大学自动化学院,南京 210044 2024
Subjects
CBAM
fatigue driving detection
疲劳驾驶检测
RepVGG
ASPP
Online AccessGet full text
ISSN1006-1576
DOI10.7690/bgzdh.2024.12.007

Cover

More Information
Summary:TP391; 为提高疲劳驾驶检测方法的准确率和可部署性,提出一种基于RepVGG的疲劳驾驶检测算法.在模型中增添空洞卷积金字塔池化(atrous spatial pyramid pooling,ASPP)模块,以捕捉多尺度疲劳特征信息.将卷积块注意力模块(convolutional block attention module,CBAM)与ASPP模块结合,单独应用于模型中,进一步强调和捕捉疲劳特征表达的多尺度信息和重要区域信息,并抑制图像中的背景信息,从而提高模型的性能和鲁棒性.结果表明:改进RepVGG算法在疲劳驾驶数据集上的准确率达到了 97.34%,比原算法提高了 2.51%,且模型参数量仅为 7.1×106,具有良好的检测精度和可部署性.
ISSN:1006-1576
DOI:10.7690/bgzdh.2024.12.007