基于BiViTNet的轻量级驾驶员分心行为检测方法

针对基于卷积神经网络的驾驶员分心行为检测,模型比较复杂、检测效率低下且缺少全局视觉表征的问题,提出了一种双分支并行双向交互神经网络BiViTNet(bidirectional interaction neural network based on vision transformer)对驾驶员行为进行识别,将ViT(vision transformer)引入到网络中对全局信息进行编码,在一定程度上提高检测精度。该网络由两个并行分支组成,第1个分支基于轻量级的CNN结构,第2个分支基于ViT结构。通过双向特征交互模块BiFIM(bidirectional feature interaction module)解决CNN Branch和ViT Branch之间特征不对称的问题,最后将两个分支的特征融合并对驾驶员行为进行检测。实验在自建的多视角驾驶员数据集上展开,验证集准确率达到97.18%,参数量为38.22 MB,计算量为271.20×10^(6)。研究表明:轻量级BiViTNet提高了驾驶员分心行为识别的准确率,可以在一定程度上辅助驾驶员的行车安全。

改进用于彩色图像融合的小波融合方法

由于现实中经常会因不同对焦、温度局部化等情况而产生各种局部模糊的图片,应对这一类问题的融合方面,灰度图像的融合技术发展得已经相当成熟了,可是在彩色图像方面还是有各种各样的不足,为了应对传统的小波变换融合法应用在彩色图像融合中会产生色差的情况,提出了一种基于小波分析加上对R、G、B三色通道绑定式融合的方法的策略,能在保证不产生色差的前提下,达到融合图像的效果.

Air-Net:一种轻量级的车辆检测方法

车辆检测是计算机视觉领域中最具挑战性的任务之一,提升算法检测的速度及准确率具有重要的现实意义。针对目前车辆检测算法参数量大、速度较慢问题,提出一种轻量级的车辆检测算法Air-Net。首先基于非对称卷积以及残差连接原理构建出多残差非对称卷积模块(MulRes-AC block)用于提取目标特征,非对称卷积能极大减少算法的参数量,多残差结构能缓解网络梯度消失与爆炸问题,大幅度提升网络性能。然后使用特征统一融合与分配模块(feature unified fusion and assignment module,FUFA)融合来自主干网络中不同尺度的特征信息,并使用通道注意力机制去除与检测任务无关的噪声信息,使检测器能够直接接收到多种尺度的特征信息。在车辆数据集上进行实验,该方法的mAP为92%,检测速度为49.8 f/s。实验结果表明,所提出的轻量级车辆检测算法能够满足边缘设备的检测精度以及实时性要求。