Augmented Self-Mask Attention

新的Transformer框架改进了分心驾驶员检测

研究人员开发了一个两阶段Transformer框架，用于在视频流中准确有效地定位驾驶员分心行为。该框架结合了用于特征提取的VideoMAE、增强型自掩码注意力检测器以及用于多尺度时间特征捕获的空间金字塔池化-Fast模块。实验表明，模型容量与效率之间存在权衡，ViT-Giant骨干网络实现了更高的准确性但计算成本更高，而较轻的基于ViT的变体则提供了更低的微调成本的实用替代方案。