深度可分离卷积网络的驾驶状态识别算法

摘要：

针对嵌入式设备内存小及多分类准确率低等导致驾驶员检测问题,提出经过深度可分离卷积网络改进而成的,快速下采样网络(fast downsampling network,MF-Net)驾驶状态识别系统.即将快速下采样策略应用于深度可分离卷积网络,在12层内执行32倍下采样,以有效降低计算成本、增加信息容量并实现性能改进.实验结果表明:与VGG(visual geometry group)和ResNet 50等其他卷积神经网络(CNN)模型相比,所提出的MF-Net模型深度可分离卷积大大减少参数量,快速下采样方案的运用增加了网络的信息容量,不仅模型较小且在驾驶员状态分类方面能够表现出更好的性能.同时,信息容量的增加可以对更多信息进行编码,加深对图像内容的理解,有利于之后的嵌入式系统移植.

关键词：驾驶状态、状态特征检测、深度学习、深度卷积、逐点卷积

所属期刊栏目：42

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金青年科学基金资助项目;福建省厦门市科技局产学研协同创新资助项目;华侨大学研究生科研创新能力培育计划资助项目

在线出版日期：2021-04-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：259-267