基于遷移學(xué)習(xí)和深度學(xué)習(xí)的駕駛員分心行為識別研究

摘要： 為了解決傳統(tǒng)駕駛員分心行為識別模型準(zhǔn)確率過度依賴大樣本數(shù)據(jù)集、耗時較長等問題，提出了一種結(jié)合遷移學(xué)習(xí)策略和卷積神經(jīng)網(wǎng)絡(luò)模型的方法來對駕駛員分心行為進(jìn)行識別。首先在模型中引入ImageNet數(shù)據(jù)集上訓(xùn)練好的網(wǎng)絡(luò)權(quán)重，凍結(jié)網(wǎng)絡(luò)的卷積層；然后去掉原網(wǎng)絡(luò)中的全連接層，重新添加輸出維度為10的FC層；最后在驗證集上對比基于遷移學(xué)習(xí)策略模型與原網(wǎng)絡(luò)模型的識別精度。結(jié)果表明，基于遷移學(xué)習(xí)策略... （共8頁）