DrowSFormer-XAI:ConvNet-Transformer交叉注意力融合的驾驶员疲劳检测,99.58%准确率+可解释AI
DrowSFormer-XAI:ConvNet-Transformer交叉注意力融合的驾驶员疲劳检测,99.58%准确率+可解释AI
论文深度解读与代码复现
Rajalingam et al., “DrowSFormer-XAI: A Cross-Attentive Neural Network-Transformer Fusion Framework for Drowsiness Detection with Explainable AI”, Neural Processing Letters, 58(2), 2026.
论文信息
| 项目 | 内容 |
|---|---|
| 标题 | DrowSFormer-XAI: A Cross-Attentive Neural Network-Transformer Fusion Framework for Drowsiness Detection with Explainable AI |
| 作者 | Kathirvel Rajalingam, Saravanan Srinivasan, Sakthi Govindaraju, Sandeep Kumar Mathivanan, Sangeetha Ramaswamy, Usha Moorthy |
| 期刊 | Neural Processing Letters, Vol. 58, No. 2, Article 30 |
| 年份 | 2026 |
| DOI | 10.1007/s11063-026-11841-6 |
核心创新
DrowSFormer-XAI首次将ConvNeXt-Base(空间局部特征)与CaiT-S36(全局语义上下文)通过交叉注意力模块双向融合,并集成Grad-CAM可解释AI,在驾驶员疲劳检测中达到99.58%准确率的同时提供决策可视化。
核心贡献(1-3句总结):
- 提出ConvNet-Transformer双分支交叉注意力融合架构,解决纯ConvNet缺乏全局上下文和纯Transformer忽略局部细节的问题
- 集成Grad-CAM可解释AI,在安全关键场景中提供决策透明度
- 在DD-I数据集(49,793张图像)上达到99.58%准确率,超越所有基线模型
方法详解
1. 问题定义
现有疲劳检测方法的局限性:
| 方法类型 | 优势 | 局限性 |
|---|---|---|
| 生理信号 (EEG/ECG/EMG/EOG) | 高准确率 | 侵入性强,需接触皮肤 |
| 行为视觉 (摄像头) | 非侵入,可嵌入式 | 光照/姿态/遮挡敏感 |
| 车辆行为 (车道/方向盘) | 数据易获取 | 反应滞后,可能为时已晚 |
| 纯ConvNet | 精细空间特征 | 缺乏全局上下文 |
| 纯Transformer | 全局依赖建模 | 忽略局部细节(如微小闭眼) |
| 黑盒模型 | 性能高 | 不可解释,安全关键场景不可信 |
2. 架构详解
graph TB
subgraph "输入"
IMG[面部图像<br/>224x224x3]
end
subgraph "ConvNeXt-Base 分支"
CB1[7x7 Depthwise Conv<br/>大核空间特征]
CB2[Inverted Bottleneck<br/>GELU激活]
CB3[分层特征提取<br/>局部细节: 眼睑曲率/虹膜纹理]
CB_OUT[Conv特征嵌入<br/>高分辨率空间图]
end
subgraph "CaiT-S36 分支"
TB1[16x16 Patch Embed<br/>196 tokens]
TB2[36 Transformer Blocks<br/>LayerScale + Talking-Head Attention]
TB3[12-Head MHSA<br/>全局语义: 头部姿态/面部姿态/光照]
TB_OUT[Transformer tokens<br/>384维表示]
end
subgraph "交叉注意力融合"
CROSS[双向交叉注意力<br/>Q·Kᵀ/√dₖ → softmax → V]
SE[Squeeze-and-Excitation<br/>通道重标定]
CBAM[CBAM<br/>空间+通道注意力]
MISH[Mish激活<br/>避免ReLU梯度饱和]
end
subgraph "输出"
FC[分类头]
GRADCAM[Grad-CAM 热力图<br/>可解释性]
OUT[分类结果<br/>drowsy/non-drowsy/closed/open]
end
IMG --> CB1
IMG --> TB1
CB1 --> CB2 --> CB3 --> CB_OUT
TB1 --> TB2 --> TB3 --> TB_OUT
CB_OUT --> CROSS
TB_OUT --> CROSS
CROSS --> SE --> CBAM --> MISH --> FC
FC --> OUT
FC -.-> GRADCAM
3. 交叉注意力机制
核心创新——双向交叉注意力让两个分支互相增强:
1 | """ |
4. 损失函数设计
1 | # 完整损失函数 = Focal Loss + Label Smoothing |
5. 训练数据构建
| 数据集 | 来源 | 图像数 | 标注 |
|---|---|---|---|
| DDD | 真实驾驶员 | ~35,000 | drowsy/non-drowsy |
| MRL Eye | 实验室眼部 | ~15,000 | closed/open |
| DD-I(合并) | DDD + MRL | 49,793 | 4类标注 |
| 增强后 | 平衡采样 | ~65,000 | 4类均衡 |
数据划分: 70%训练 / 15%验证 / 15%测试,验证集10折交叉验证
实验结果
性能对比
| 模型 | 准确率 | 精确率 | 召回率 | F1 | 特异度 |
|---|---|---|---|---|---|
| DrowSFormer-XAI | 99.58% | 99.13% | 99.08% | 99.10% | 99.27% |
| CaiT-S36 | 98.42% | 97.80% | 97.65% | 97.72% | 97.90% |
| ConvNeXt-Base | 97.15% | 96.30% | 96.10% | 96.20% | 96.50% |
| ResNeSt101 | 96.80% | 95.90% | 95.70% | 95.80% | 96.10% |
| Twins-SVT-Base | 95.20% | 94.10% | 93.80% | 93.95% | 94.20% |
交叉验证稳定性
| K折 | 准确率范围 | 标准差 |
|---|---|---|
| K=3 | 99.3-99.7% | ±0.15 |
| K=5 | 99.4-99.8% | ±0.13 |
| K=10 | 99.3-99.8% | ±0.13 |
独立测试集验证
| 指标 | 值 |
|---|---|
| 测试图像数 | 7,469 |
| 准确率 | 99.58% |
| 特异度 | 99.70% |
| F1分数 | 99.29% |
可解释AI:Grad-CAM
DrowSFormer-XAI的关键差异化在于决策可解释性:
| 检测场景 | Grad-CAM热力图关注区域 | 判定 |
|---|---|---|
| 疲劳驾驶 | 眼睑区域(下垂的眼皮) | ✅ 正确关注 |
| 正常驾驶 | 眼睛+虹膜区域 | ✅ 正确关注 |
| 闭眼 | 眼睑闭合区域 | ✅ 正确关注 |
| 睁眼 | 虹膜+瞳孔区域 | ✅ 正确关注 |
安全关键意义: 当系统判定”疲劳”时,Grad-CAM热力图可显示模型是否真正在看眼部区域,避免误判(如因为光照变化误判)。
IMS应用启示
1. 架构选型建议
| 场景 | 推荐方案 | 理由 |
|---|---|---|
| 量产DMS | ConvNeXt单分支 | 延迟要求高,159M参数过重 |
| 高性能DMS | DrowSFormer完整架构 | 精度最优,可解释 |
| 边缘部署 | DistillGaze蒸馏版 | <5MB,<2W |
| 安全审计 | DrowSFormer + Grad-CAM | 法规要求可解释 |
2. 部署优化路径
1 | # 量化部署建议 |
3. 可解释AI的法规意义
Euro NCAP 2026要求DMS系统具备可审计性——系统判定需要可追溯。DrowSFormer的Grad-CAM热力图直接满足此要求:
| Euro NCAP要求 | DrowSFormer对应能力 |
|---|---|
| 检测可追溯 | Grad-CAM热力图 |
| 误判可分析 | 注意力区域可视化 |
| 系统可信度 | 热力图+置信度输出 |
| 人工验证支持 | 热力图导出为图像 |
4. 与现有IMS模块集成
graph LR
subgraph "现有IMS"
FACE[人脸检测] --> EYE[眼部关键点]
EYE --> PERCLOS[PERCLOS计算]
PERCLOS --> FATIGUE[疲劳判定]
end
subgraph "DrowSFormer集成"
DROW[DrowSFormer-XAI<br/>ConvNeXt+CaiT融合]
GCAM[Grad-CAM<br/>可解释输出]
end
FACE --> DROW
EYE --> DROW
DROW --> GCAM
DROW --> |置信度融合| FATIGUE
GCAM --> |审计日志| LOG[安全审计日志]
局限性与改进方向
- 参数量大:159M参数对边缘芯片偏重,需蒸馏
- 数据局限:DD-I数据集主要为正面面部,侧脸/大角度姿态不足
- 实时性:63.4 GFLOPS在QCS8255上需量化+剪枝才能满足30fps
- 跨域泛化:训练数据不含夜间红外场景,需补充
结论
DrowSFormer-XAI证明了ConvNet-Transformer融合在驾驶员疲劳检测中的优越性,99.58%准确率和Grad-CAM可解释性使其成为安全关键DMS的理想架构。但159M参数量需要通过蒸馏和量化才能在量产芯片部署。
对IMS开发的核心启示:
- 交叉注意力融合是处理多尺度特征的有效范式,可推广到OOP姿态估计
- 可解释AI不再可选——Euro NCAP要求审计能力
- 数据增强策略(旋转+亮度+翻转)对疲劳数据不平衡有效
参考来源:
- Rajalingam et al., Neural Processing Letters 58(2), 2026, DOI: 10.1007/s11063-026-11841-6
- ConvNeXt: Liu et al., CVPR 2022
- CaiT: Touvron et al., ICCV 2021
- Grad-CAM: Selvaraju et al., ICCV 2017
本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Dapalm | IMS技术前沿!