基于蒸馏的神经架构搜索和知识转移的极轻量化分心驾驶识别研究

近年来全球交通事故数量持续增加。许多事故是由于分心驾驶造成的，驾驶者的注意力从驾驶中转移。受卷积神经网络（CNN）在计算机视觉领域成功的启发，许多研究人员开发了基于CNN的算法来识别来自行车记录仪的分心驾驶，并警告驾驶者避免不安全行为。然而，目前的模型参数过多，这在车载计算中是不可行的。本工作提出了一种新颖的基于知识蒸馏的框架来解决这一问题。所提框架首先通过逐步增强CNN的浅层到深层对光照变化的鲁棒性，构建一个高性能的教师网络。然后，使用教师网络通过知识蒸馏指导学生网络的架构搜索过程。之后，我们再次使用教师网络通过知识蒸馏将知识传递给学生网络。在Statefarm分心驾驶检测数据集和AUC分心驾驶数据集上的实验结果表明，所提方法在识别分心驾驶行为方面非常有效：（i）教师网络的准确性超过了以前的最佳准确性；（ii）学生网络仅以0.42M参数（约为之前最轻量模型的55%）实现了非常高的准确性。此外，学生网络架构可以扩展为用于从视频片段识别分心驾驶的时空3D CNN。3D学生网络在Drive&Act数据集上以仅2.03M参数大幅超过以前的最佳准确性。源代码可在 https://github.com/Dichao-Liu/LightweightDistractedDriverRecognitionwithDistillation-BasedNASₐndKnowledgeTransfer 获得。