融合深度残差网络与注意力机制的驾驶人行为检测方法研究

摘要

为提高驾驶人行为检测的准确性及模型的可解释性，提出了一种融合深度残差网络与注意力机制的驾驶人行为检测模型。利用深度残差网络提取特征模块的优势，对比不同层数的网络模型结果，选取合适的网络模型作为基础网络；为剔除无用信息对驾驶行为的干扰，引入SE Block注意力机制并对图像进行特征提取和分类预测；通过与其他模型的对比试验、消融试验和特征可视化试验验证所提出模型的性能。结果表明：与其他检测模型相比，所提出模型的平均分类准确率为99.89%,其展现出更优的性能；采用Grad-CAM可视化方法解释模型的关注区域，所提出模型更精准地关注对驾驶行为判定的关键特征，进一步增强了本模型的可解释性，提高了人们对驾驶行为检测模型的信任性。

关键词

深度学习 / 驾驶人行为检测 / 深度残差网络 / 注意力机制 / 神经网络可视化

基金资助

湖北省自然科学基金创新发展联合基金项目(2024AFD045); 襄阳市研究与开发项目(2022ABH006510)