LiteFat: Lightweight Spatio-Temporal Graph Learning for Real-Time Driver Fatigue Detection
Created by
Haebom
저자
Jing Ren, Suyu Ma, Hong Jia, Xiwei Xu, Ivan Lee, Haytham Fayek, Xiaodong Li, Feng Xia
개요
본 논문은 운전자 피로 감지 시스템을 위한 경량화된 공간-시간 그래프 학습 모델인 LiteFat을 제안합니다. 기존의 딥러닝 기반 피로 감지 모델은 높은 계산 복잡도와 지연 시간으로 인해 자원이 제한적인 임베디드 로봇 장치 (예: 자율주행 자동차)에 적용하기 어려운데, LiteFat은 얼굴 랜드마크 검출을 통해 스트리밍 비디오 데이터를 공간-시간 그래프(STG)로 변환하여 주요 움직임 패턴에 집중하고 불필요한 데이터 처리를 줄임으로써 이 문제를 해결합니다. MobileNet을 이용하여 얼굴 특징을 추출하고 STG에 대한 특징 행렬을 생성하며, 경량화된 공간-시간 그래프 신경망을 사용하여 최소한의 처리량과 낮은 지연 시간으로 피로 징후를 식별합니다. 벤치마크 데이터셋 실험 결과, LiteFat은 기존 최첨단 방법에 비해 계산 복잡도와 지연 시간을 크게 줄이면서 경쟁력 있는 성능을 보여줍니다.
시사점, 한계점
•
시사점:
◦
자원 제약이 있는 임베디드 시스템에서 실시간 운전자 피로 감지가 가능하도록 함.
◦
기존 딥러닝 모델 대비 낮은 계산 복잡도와 지연 시간으로 실시간 응용에 적합.
◦
경량화된 모델임에도 불구하고 높은 정확도 유지.
•
한계점:
◦
제안된 모델의 성능은 사용된 벤치마크 데이터셋에 의존적일 수 있음. 다양한 조건과 데이터셋에서의 추가적인 검증 필요.
◦
실제 운전 환경의 다양한 변수(조명, 각도, 개인차 등)에 대한 robustness에 대한 추가 연구 필요.
◦
MobileNet을 사용하여 얼굴 특징을 추출하는 부분의 성능이 전체 시스템 성능에 영향을 미칠 수 있음. 더욱 효율적인 특징 추출 방법에 대한 연구 필요.
