【论文笔记】Efficient and Realtime Distracted Driver Detection With MobileVGG Network

Towards Computationally Efficient and Realtime Distracted Driver Detection With MobileVGG Network

第一遍：读标题、摘要和图表

标题： 基于移动VGG网络的实时高效的司机分心驾驶检测

摘要： 本文提出了基于深层可分离卷积的移动VGG网络结构，用在两个数据集上效果都很好，而且大小只有2.2M。实现了实时高效。

图表：
图一：标准卷积和其等价深层可分离卷积，好像就是把一个大块按长度和按面积分成了一小块一小块
图二/表一：移动VGG网络结构
图三：数据集中司机行为的分类
图四：训练和测试的loss和accuracy
表二四：CONFUSION MATRIX OF PROPOSED MOBILEVGG ARCHITECTURE
ON AUC DATASET基于澳柯币数据的移动互联网架构的混淆？？？这个表没看懂
表三五：两个数据集上的accuracy
图五：标错的label及其正确label
表六七八：和其他的网络比较时间和accuracy

第二遍：读引言和结论部分，再浏览一遍图片，并快速浏览论文的其他部分。

讲讲他的危害多么严重，然后说明自己做的东西多么重要，介绍下其他人的研究，再说说他们哪里不足，准确率不够或者效率不够，然后提出自己的新的CNN模型，在效率提高的同时又保证准确率。

第三遍：阅读论文的全部内容，适当跳过复杂的公式

具体怎么做的呢，基于深层可分离卷积的移动VGG网络结构，当然要介绍深度可分离卷积和VGG啦。

1.深度可分离卷积

简单来说就是标准的卷积运算成本太大，而深度可分离卷积分为深度卷积和逐点卷积，可以大大减少运算量，具体怎么做的还需要好好琢磨
为什么它可以实现呢，就是把一个标准的卷积分为深度和逐点，这个通道到底是怎么计算的呢，有点懵，要回去看看神经网络的知识回忆下

2.VGG16

由于VGG的参数数量很大，在嵌入式设备上部署是不可行的。因此，提出了一种体积小得多的全卷积神经网络:移动VGG

3.移动VGG

使用深度可分离卷积构建的，只有第一层涉及标准卷积，架构类似VGG16，但作为一种全卷积网络，其中全连接层由1X1卷积替代，其大小减到了512个神经元，大大节省了计算成本，减少了大量参数，并适合于任何输入大小。然后推出最后的计算量远小于VGG16.具体网络怎么做的还需要推敲。

4.数据集

5.结论

做的好