申请/专利权人：华南理工大学

申请日：2022-06-28

公开（公告）日：2024-04-16

公开（公告）号：CN115082698B

主分类号：G06V10/44

分类号：G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.10.11#实质审查的生效;2022.09.20#公开

摘要：本发明公开一种基于多尺度注意力模块的分心驾驶行为检测方法，包括以下步骤：得到标注对应的分心驾驶行为信息的图像数据集；结合多尺度注意力模块MPSA，改进MoblieNetV2特征网络模型，用于提取分心驾驶行为特征并输出预测驾驶行为概率，其中，改进的MoblieNetV2特征网络模型包括多个串联的倒瓶颈残差模块，且在每个倒瓶颈残差模块中加入多尺度注意力模块，定义为多尺度倒瓶颈残差模块，多尺度倒瓶颈残差模块包括分组卷积层、多尺度注意力模块层MPSA以及特征提取层，设置训练超参数，将训练集图像输入到改进后的MoblieNetV2特征网络模型，得到训练完备的分心驾驶行为检测模型；将待测图像输入训练得到的分心驾驶行为检测模型中，输出驾驶行为类型。稳定性好，鲁棒性强。

主权项：1.一种基于多尺度注意力模块的分心驾驶行为检测方法，其特征在于，包括以下步骤：获取分心驾驶行为数据集，设置分心驾驶行为标签信息，得到标注对应的分心驾驶行为信息的图像数据集；结合多尺度注意力模块MPSA，改进MoblieNetV2特征网络模型，用于提取分心驾驶行为特征并输出预测驾驶行为概率，其中，改进的MoblieNetV2特征网络模型包括多个串联的倒瓶颈残差模块，且在每个倒瓶颈残差模块中加入多尺度注意力模块，定义加入多尺度注意力模块后的倒瓶颈残差模块为多尺度倒瓶颈残差模块，多尺度倒瓶颈残差模块包括分组卷积层、多尺度注意力模块层MPSA以及特征提取层，分组卷积层用于切分网络，对每个通道独立进行深度卷积运算，多尺度注意力模块层MPSA用于基于分组卷积后的特征图得到包含多尺度注意力的信息的特征图，特征提取层用于将特征矩阵的尺寸进行调整，与输入特征图尺寸一致，以便与恒等路径上的分支进行矩阵相加，进行特征的提取；设置训练超参数，将训练集图像输入到改进后的MoblieNetV2特征网络模型，训练模型至收敛，得到训练完备的分心驾驶行为检测模型；将待测图像输入训练得到的分心驾驶行为检测模型中，输出驾驶行为类型；所述多尺度注意力模块层MPSA包括通道混洗模块、金字塔通道切分SPC模块、SE通道注意力模块、Softmax权值校准模块和特征图权值更新模块，通道混洗模块用于特征的各个通道进行随机打乱，加强不同通道之间的信息联系，金字塔通道切分SPC模块用于将输入的特征矩阵的通道数目划分为S组，并通过不同大小卷积核的卷积构建特征金字塔，获取不同尺度信息的感受野，提取不同尺度的特征信息，SE通道注意力模块用于加权每个通道的权值，从而产生更有区分度的信息输出，Softmax权值校准模块和特征图权值更新模块用于完成通道注意力权值比例分配和更新；金字塔通道切分SPC模块中，每组的卷积核大小与分组卷积的分组数量关系能写为： 式中，Gi为对应的分组卷积的组数，i表示分组数量，i＝1,2,…,S-1，变量Ki表示第i组的卷积核尺寸，S表示将输入特征图I划分为S组，I＝[I0,I1,…,IS-1]；每个通道的多尺度特征图的生成关系表达式为：Fi＝ConvKi×Ki,GiIii＝0,1,2,…,S-1式中，Fi为第i组的输出特征图矩阵，即每组的多尺度特征图；每组的多尺度特征图为Fi，进行矩阵拼接操作后，输出整体的多尺度特征图为F∈RC'×H×W：F＝Concat[F0,F1,…,FS-1]式中，FS-1是第S组的输出特征图矩阵，下标编号从0开始，从0到S-1共划分为S组。

全文数据：

权利要求：

百度查询： 华南理工大学 一种基于多尺度注意力模块的分心驾驶行为检测方法

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