CEAM-YOLOv7: Improved YOLOv7 Based onChannel Expansion and Attention Mechanismfor Driver Distracti笔记

地址：CEAM-YOLOv7: Improved YOLOv7 Based on Channel Expansion and Attention Mechanism for Driver Distraction Behavior Detection | IEEE Journals & Magazine | IEEE Xplore

目录

ABSTRACT：

Introduction：

CEAM-yolov7

图像预处理算法

网络架构图

实验结果 

消融实验

---

ABSTRACT：

驾驶员分心行为容易引发交通事故。本文提出了一种基于通道扩展和注意力机制的改进YOLOv7，用于驾驶员分心行为检测，名为CEAM-YOLOv7。使用GAM注意力机制提高准确性，在CEAM-YOLOv7架构中，简化掉了很多的卷积结构，用来提高检测速度。结合Inversion和clahe图像增强算法，提出了一种用于数据增强的通道扩展（CE）算法，以进一步优化红外图像的检测效果。在湖南科技大学和湖南大学的驾驶员分心IR数据集上，验证结果表明，该文模型与原始YOLOv7模型相比，CEAM-YOLOv7实现了20.26%的高mAP，FPS达到156，这表明CEAM-YOLOv7在精度和速度方面都优于最先进的方法。

Introduction：

该文提了一些前人的驾驶员疲劳检测算法，指出之前的算法和模型大多使用单尺度深度特征，难以提高复杂驾驶场景下的检测性能。此外，上述算法大多具有较大的模型，难以在车载终端上部署，且FPS太低，无法应用于实际驾驶场景。因此，本文将模型轻量级的思想应用到YOLOv7结构中，大大减少了计算负载，满足了应用需求。

CEAM-yolov7

（1）在数据方面，本文将单通道的红外图像通过Inversion和clahe扩展为三通道图像，丰富了图像信息

（2）引入了GAM注意力机制

（3）轻量化网络，去除了很多卷积层

（4）将激活函数更换为Mish函数

（5）应用了一些数据增强，扩充数据集

图像预处理算法

将单通道的图像通过clahe，inversion拼接为三通道图像

网络架构图

CEAM优化掉了很多yolov7的卷积层，锐减了80%的参数量

实验结果 

消融实验

 CONCLUSION

在这项研究中，我们提出了CEAM-YOLOv7，它的性能优于现有的单阶段检测器。插入网络的GAM模块提高了驾驶员行为的特征提取能力。轻量化使IR图像特征更容易提取，模型更容易部署。基于HNUST和HNU的驾驶员分心红外图像数据集，训练后的模型能够更好地适应驾驶场景的光线变化。实验结果表明，该方法具有156FPS的快速检测速度，mAP比原始YOLO7网络提高了20.26%。训练后的模型体积小，可以很容易地部署在车载终端上进行实时驾驶员行为识别