.png){kind=icon}
返回
Tiny deep learning models for real-time and efficient embedded driver state detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s11554-025-01836-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
驾驶员分心和不注意是导致交通事故的主要因素，这使得可靠的实时驾驶员状态检测对于智能交通系统至关重要。尽管深度学习（DL）显著提高了检测精度，但传统模型仍计算量大，且通常不适合部署在嵌入式或低功耗硬件上。为解决这些局限性，本研究在一个针对嵌入式部署的统一评估框架内，对七种轻量级架构进行了基准测试，包括Efficient-Tiny、ESPNetv2-Small、MCUNet、Micro-MobileNet、PhiNets、ShuffleNetLite和SqueezeNetv11。实验结果表明，ESPNetv2-Small和SqueezeNetv11分别实现了99.50%和95.81%的最高精度，模型尺寸分别为0.74 MB和0.33 MB，推理速度分别为40.49 FPS和28.60 FPS。Efficient-Tiny尽管模型尺寸减小至0.43 MB，仍达到91.64%的精度。这些发现证实，现代TinyDL架构能够在极低计算成本下提供接近最先进水平的性能，为下一代智能车辆中实现节能、实时的驾驶员监控提供了可行路径。
Keyword:
Deep learning
Lightweight models
Driver distraction detection
Real-time
Computer vision
TinyML
Embedded devices
期刊
IF:
3
论文数:
408
被引数:
2.0K
机构
引用论文
Toward Extremely Lightweight Distracted Driver Recognition With Distillation-Based Neural Architecture Search and Knowledge Transfer通过基于蒸馏的神经架构搜索和知识转移实现极轻的分心驾驶员识别
OAAI
OAAI分享收藏Driver Distraction Detection Based on Cloud Computing Architecture and Lightweight Neural Network基于云计算架构和轻量级神经网络的驾驶员分心检测.png)
MathematicsOAAI
MathematicsIF0
OAAI分享收藏Driver Behaviors Recognizer Based on Light-Weight Convolutional Neural Network Architecture and Attention MechanismIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏L-TLA: A Lightweight Driver Distraction Detection Method Based on Three-Level Attention Mechanisms
PREAI
分享收藏DDD TinyML: A TinyML-Based Driver Drowsiness Detection Model Using Deep LearningDDD TinyML: 基于深度学习的TinyML驾驶员睡意检测模型SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容