申请/专利权人：安徽大学;安徽中科星联信息技术有限公司

申请日：2021-12-14

公开（公告）日：2024-04-09

公开（公告）号：CN114187581B

主分类号：G06V20/59

分类号：G06V20/59;G06N3/0464;G06N3/08;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.04.01#实质审查的生效;2022.03.15#公开

摘要：本发明提供了一种基于无监督学习的驾驶员分心细粒度检测方法，属于驾驶行为分析领域，包括：采集分心驾驶图像数据；将采集到的分心驾驶图像数据输入无监督学习检测模型中，利用无监督学习检测模型对分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态；无监督学习检测模型包括骨干网络、投影头和损失函数；骨干网络为融入多层感知机MLP的RepMLP网络结构；投影头为将融入残差结构的多层感知机MLP；损失函数为基于对比学习和stop‑gradient策略的损失函数。本发明弥补了传统卷积层所堆积的CNN模型全局感知能力较差的问题，具备了较强的局部感知能力及良好的全局感知性能，可以使无监督学习检测模型对应用场景的泛化能力得到了加强。

主权项：1.一种基于无监督学习的驾驶员分心细粒度检测方法，其特征在于，包括以下步骤：采集分心驾驶图像数据；将采集到的分心驾驶图像数据输入无监督学习检测模型中，利用无监督学习检测模型对所述分心驾驶图像数据进行分析，根据分析结果判断驾驶员分心状态；所述无监督学习检测模型包括骨干网络、投影头和损失函数；所述骨干网络为融入多层感知机MLP的RepMLP网络结构；所述投影头为将融入残差结构的多层感知机MLP；所述损失函数为基于对比学习和stop-gradient策略的损失函数；采用残差网络ResNet50作为基准骨干网络，然后将RepMLP的作为一种新的block去替换ResNet50中的部分block，即将ResNet50的4个residualstages分别定义为s1、s2、s3、s4，将ResNet50中的s2和s3替换为新的block，多个block组成了一个骨干网络；新的block的结构首先由一个1x1的卷积和一个3x3的卷积级联，然后将这个3x3的卷积层的输出输入到一个池化层，再将池化层的输出输入到一个两层的MLP结构中，再将MLP的输出与3x3的卷积层的输出相加得到一个新的特征图；再将这个新的特征图分别输入到一个全连接层、1x1的卷积层、3x3的卷积层、5x5的卷积层，然后将这些层的输出相加再次得到另一个新的特征图；最后将另一个新的特征图输入到一个3x3的卷积层中，再将3x3的卷积层的输出输入到一个1x1的卷积层中；所述投影头由3个全连接层组成，将第一个全连接层和第二个全连接层进行级联，然后再将第一个全连接层的输入和第二个全连接层的输出相加作为第三个全连接层的输入；所述损失函数L基于对比学习中的损失函数Lsimilarity和基于stop-gradient策略的损失函数Lstop-grad构成：L＝Lsimilarity+Lstop-grad1其中， 公式2中，τ为温度系数；N为一个batchsize中所包含的图片数量；v为一个整数变量，变化范围为[1，2]；k为一个整数变量，变化范围为[1，N]；i为一个整数变量，变化范围为[1，N]；Xk1和Xk2表示一张图片Xk经过两次数据增强之后分别经过骨干网络和两个投影头后的特征向量；Xk1＝zhftransformsXk3Xk2＝zhftransformsXk4 公式5中的||·||2表示l2-norm；Xk1和X′k1、Xk2和X′k2之间的关系如公式8、9所示；X′k1＝hftransformsXk6X′k2＝hftransformsXk7Xk1＝zX′k18Xk2＝zX′k29。

全文数据：

权利要求：

百度查询： 安徽大学;安徽中科星联信息技术有限公司 一种基于无监督学习的驾驶员分心细粒度检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD