EyeCue:基于凝视增强的第一人称视频理解的驾驶员认知分心检测 | 论文解读与代码复现
EyeCue:基于凝视增强的第一人称视频理解的驾驶员认知分心检测 | 论文解读与代码复现
论文信息
| 项目 | 内容 |
|---|---|
| 标题 | EyeCue: Driver Cognitive Distraction Detection via Gaze-Empowered Egocentric Video Understanding |
| 作者 | Lang Zhang (Virginia Tech), JinYi Yoon (Inha University), Matthew Corbett (Army Cyber Institute at West Point), Abhijit Sarkar (Virginia Tech Transportation Institute), Bo Ji (Virginia Tech) |
| 会议 | IJCAI 2026 (International Joint Conference on Artificial Intelligence) |
| 链接 | arXiv:2605.07859 |
| 代码 | GitHub: langzhang2000/EyeCue |
| 数据集 | CogDrive (3,662 标注样本,4个驾驶数据集融合) |
核心创新
EyeCue 首次将眼动凝视信号与第一人称视频(egocentric video)进行跨模态融合来检测驾驶员认知分心。核心洞察:认知分心不体现在”看哪里”,而体现在”看到的东西如何被大脑处理”。同一凝视点在不同驾驶场景下可能代表完全不同的认知状态——红灯前注视交通灯是正常的,但直行时盯着路边停靠车辆则可能是认知分心。
三大贡献:
- 提出 EyeCue 框架,通过凝视引导的语义查询模块(GDSQ)建模凝视与视觉上下文的交互
- 构建 CogDrive 数据集,3,662 个带认知分心标注的第一人称视频片段
- 准确率达 74.38%,超越 11 个基线模型 7%+
方法详解
1. 问题定义
认知分心与视觉/手动分心不同:驾驶员目光在路面上、手在方向盘上,但思维已游离于驾驶之外。这种内部状态无法直接观测,传统 EEG/SRT 方法需要侵入式传感器,无法连续部署。
EyeCue 的思路:利用眼动凝视作为认知状态的行为线索,结合第一人称视频的视觉上下文,推断凝视与场景的交互模式是否异常。
2. 架构总览
graph TD
A[第一人称视频片段] --> B[Video Encoder<br/>TimeSformer]
B --> C[Video Tokens<br/>B, T×196, D]
D[凝视序列 x,y] --> E[Gaze Encoder<br/>Transformer + CLS Token]
E --> F[Gaze Tokens<br/>B, T, D]
C --> G[凝视引导 Patch 选择<br/>Gaze-Guided Patch Selection]
F --> G
G --> H[Semantic 跨注意力融合<br/>Stacked CrossAttention]
H --> I[Classification Head<br/>Flatten→Linear→ReLU→Dropout→Linear]
I --> J{0: 专注 / 1: 认知分心}
3. 核心模块
3.1 Video Encoder(视频编码器)
基于 TimeSformer(facebook/timesformer-base-finetuned-k600),将第一人称视频片段编码为时空 token 序列。
1 | # models/video_encoder.py 核心结构 |
3.2 Gaze Encoder(凝视编码器)
轻量级 Transformer,将原始 (x, y) 凝视坐标编码为富语义表示。
1 | # models/gaze_encoder.py 核心结构 |
3.3 凝视引导 Patch 选择 + 语义跨注意力融合
这是 EyeCue 的核心创新点。将每帧的凝视坐标映射到视频 token 空间的具体 patch,然后用凝视 token 作为 query,选中的 video patch 作为 key/value 进行跨注意力。
1 | # models/semantic.py 核心逻辑 |
4. 数据集 CogDrive
CogDrive 融合了 4 个现有驾驶数据集,按 DR(eye)VE 的标注流程添加认知分心标注:
| 来源数据集 | 类型 | 场景 |
|---|---|---|
| DR(eye)VE | 真实驾驶 | 多道路类型、天气 |
| BDD-A | 真实驾驶 | 多场景注意力标注 |
| DADA-2000 | 真实驾驶 | 事故分析驾驶注意力 |
| TrafficGaze | 真实驾驶 | 交通场景凝视 |
- 总样本数: 3,662 个视频片段
- 标注: 二分类(0=专注,1=认知分心)
- 输入: 视频片段(8帧采样)+ 凝视坐标序列
5. 实验结果
| 模型 | 类型 | 准确率 |
|---|---|---|
| Gaze-only baseline | 凝视序列 | ~62% |
| TimeSformer (video only) | 视频 | ~65% |
| DCDD (single frame + gaze) | 单帧+凝视 | ~67% |
| EyeCue (full) | 视频+凝视跨模态 | 74.38% |
关键发现:
- 凝视与视频的交互建模(跨注意力)比简单拼接提升 7%+
- 跨场景泛化性:不同道路/天气/时间条件下均保持 >70% 准确率
- 消融实验:去掉 GDSQ 模块后准确率下降 4.2%,证明凝视引导机制的关键性
代码复现
环境配置
1 | # 基础环境 |
完整训练流程
1 | """ |
推理脚本
1 | """ |
IMS 开发启示
1. 认知分心检测的落地路线
EyeCue 提供了一条非侵入式认知分心检测的技术路线,对 IMS 开发有直接指导意义:
| 要素 | EyeCue 方案 | IMS 落地建议 |
|---|---|---|
| 视觉输入 | 第一人称 RGB 视频 | DMS 摄像头(座舱内面向驾驶员) |
| 凝视输入 | 外部眼动设备 | DMS 已有视线估计模块,输出 (x, y) 坐标 |
| 计算平台 | GPU (Tesla T4) | 高通 QCS8255 Hexagon NPU,需量化 |
| 推理延迟 | 未报告实时指标 | 需 <100ms 满足 Euro NCAP 要求 |
| 准确率 | 74.38% | 需 >90% 才能量产部署 |
2. 架构选型建议
graph TD
A[DMS 摄像头] --> B[视线估计模块<br/>已有]
B --> C[凝视坐标 x,y]
C --> D[凝视编码器<br/>轻量 Transformer]
A --> E[视频帧采样<br/>8帧/片段]
E --> F[视频编码器<br/>MobileViT 或轻量 CNN]
D --> G[跨注意力融合]
F --> G
G --> H[认知分心分类]
H --> I{0: 专注 / 1: 分心}
I --> J[警告系统<br/>一级/二级]
3. 关键优化方向
| 优化点 | 问题 | 建议 |
|---|---|---|
| 视频编码器 | TimeSformer 太重(110M参数) | 换用 MobileViT-S (5.6M) 或 TinyViT |
| Patch 选择 | 需要精确凝视坐标 | 先确保视线估计精度 <2° |
| 数据集 | CogDrive 场景偏欧美 | 需补充中国道路场景数据 |
| 实时性 | 8帧推理延迟可能 >200ms | 降低输入分辨率 224→160,或用 4帧 |
| 误报率 | 74% 准确率意味着 26% 误报 | 多帧投票 + 时序平滑,降低误报 |
4. 与 Euro NCAP 2026 的对接
Euro NCAP 2026 DSM 协议要求检测认知分心(D-01~D-05 场景),EyeCue 的技术路线可以直接对应:
| NCAP 场景 | 描述 | EyeCue 适用性 |
|---|---|---|
| D-01 | 驾驶员长时间注视固定点 | ✅ 直接适用 |
| D-02 | 驾驶员目光在路面但思维游离 | ✅ 核心场景 |
| D-03 | 驾驶员跟车但反应迟钝 | ⚠️ 需融合车辆动力学数据 |
| D-04 | 驾驶员使用手机(认知分心) | ⚠️ 需结合手动分心检测 |
| D-05 | 驾驶员与乘客深度交谈 | ⚠️ 需音频模态补充 |
5. 部署优先级
推荐分三阶段落地:
- 阶段一(概念验证): 用 EyeCue 开源代码在 GPU 上离线验证,确认在自有数据集上的准确率
- 阶段二(原型开发): 替换轻量骨干网络,在 QCS8255 上部署,目标推理 <100ms
- 阶段三(量产集成): 与疲劳检测、视觉分心检测融合,形成多级 DMS 策略
与现有方案的对比
| 方案 | 输入 | 认知分心检测 | 准确率 | 实时性 | 部署难度 |
|---|---|---|---|---|---|
| EyeCue | 视频+凝视 | ✅ 原生支持 | 74.38% | 需优化 | 中 |
| PERCLOS | 眼睑开度 | ❌ 不支持 | N/A | ✅ <10ms | 低 |
| DCDD | 单帧+凝视 | ✅ 支持 | ~67% | ✅ <50ms | 低 |
| EEG-based | 脑电信号 | ✅ 高精度 | ~90% | ❌ 侵入式 | 极高 |
| Gaze entropy | 凝视序列 | ✅ 支持 | ~62% | ✅ <20ms | 低 |
总结
EyeCue 是认知分心检测领域的里程碑式工作,首次证明了凝视与视觉上下文的交互建模可以显著提升检测精度。虽然距离量产部署仍有差距(准确率、延迟、模型大小),但其技术路线为 IMS 团队提供了明确的研发方向。
关键收获:
- 凝视坐标 × 视觉上下文 = 认知状态推断
- 跨注意力机制是融合的有效手段
- CogDrive 数据集可作为模型训练的起点
- 量产化的核心挑战在轻量化和实时性
论文来源: arXiv:2605.07859 | 代码: GitHub | 会议: IJCAI 2026