Постановка задачи
Учитывая приборные изображения драйверов, наша система направлена на классификацию водителя на основе 10 предварительно определенных действий, таких как текстовые сообщения, достигнув к спине и т. Д. Для обнаружения отвлечения с использованием моделей обучения машины (мл) и глубокой обучения (DL).
Применение
С целью снижения дорожных аварий, обнаружения и профилактики (скажем, активируя тревогу для уведомления водителя) отвлеченного вождения, может оказать серьезное влияние в повышению безопасности дорожного движения.
Ссылка на Caggle Challenge
https://www.kaggle.com/c/state-farm-distracted-diveriver-detection [Последнее доступу: 20 мая 2020]
DataSet Описание
Из 22 тысяч изображений мы разделили их на 70% обучения и тестирование на 30%. Изображения, принадлежащие 10 классам, были сбалансированы, чтобы избежать смещения в наборе данных.
Разведка данных
Классные этикетки вместе с их описанием, количеством и образец изображение
Распространение в классе-мудрых данных. Это было сбалансировано путем обрезки дополнительных образцов из каждого класса.
Деятельность рабочего процесса
Предварительная обработка => Извлечение функций => Обучение => Валидация => Прогноз
Базовые модели
Классические модели обучения машины, включая векторные машины для поддержки, логистическую регрессию и т. Д.
Функция инженерии
Мы экспериментировали со следующими функциями:
- Значение интенсивности
- Значение гистограммы
- Haar Wavelets
- Гистограмма ориентированного градиента (боров)
- Локальный бинарный шаблон (LBP)
- Особенности, полученные из предварительно обученной модели Alexnet
- Особенности от предварительно обученной модели VGG-16
Используемые классификаторы
- Гауссов Наив Байс (GNB)
- Логистическая регрессия (ЛР)
- Поддержка векторной машины (SVM)
- Multi-Class Adaboost
- Загрузка агрегата (мешка)
- VGG-16.
- Alexnet.
- Ансамбль Alexnet и VGG-16
Результаты
Мы обнаружили, что при использовании классических моделей ML SVMS с ядрами RBF (функция радиальной базы) дали лучшую точность около 80% с использованием вейвлетов Хаара в качестве особенностей, тогда как ансамбль Alexnet и VGG-16 дал около 98% точности! Метрика оценки для задачи была потеря журналов, а наша лучшая модель выполняющей модель была LR с функцией свиней (значение потери журнала: 2.02).
Путаница матрицы для ансамблевой модели
Для людей новых для концепции путаницы матрицы, подумайте так: числа вдоль основного диагонального государства, сколько изображений было правильно классифицировано. Чем больше, тем лучше!
ROC кривые для ансамблевой модели
Прием характеристики оператора (ROC) Кривые, как они, демонстрируют модель, выполняют довольно хорошо.
Инструменты и технологии
- Питон
- Scikit-Surve
- Openc.
- Питорчан
- Scikit-Image.
- Морской
Сотрудники
Уик Бхадра, Сурай Панды, Арджун Тяги (Iiit Delhi)
[ПРИМЕЧАНИЕ]: Мы еще не подтолкнули наш проект в GitHub и сделали его в ближайшее время.
Область улучшения
Точность системы может быть улучшена путем сегментирования человека и его/ее действий.
Дополнительные мысли
Возможно, добавление дополнительных слоев в модели DL могут улучшить производительность?
[Заключительное примечание]: Было весело глубоко погрузиться в проект компьютерного зрения и совместно с крутой людьми по пути!
Оригинал: “https://dev.to/mavewrik/distracted-driver-detection-2627”