Published January 1, 2021
| Version v1
Publication
Open
An Efficient Deep Learning Framework for Distracted Driver Detection
Creators
- 1. Kinnaird College for Women University
- 2. Comenius University Bratislava
- 3. University of Engineering and Technology Lahore
- 4. Czech Academy of Sciences, Institute of Computer Science
Description
The number of road accidents has constantly been increasing recently around the world. As per the national highway traffic safety administration's investigation, 45% of vehicle crashes are done by a distracted driver right around each. We endeavor to build a precise and robust framework for distinguishing diverted drivers. The existing work of distracted driver detection is concerned with a limited set of distractions (mainly cell phone usage). This paper uses the first publicly accessible dataset that is the state farm distracted driver detection dataset, which contains eight classes: calling, texting, everyday driving, operating on radio, inactiveness, talking to a passenger, looking behind, and drinking performed by 26 subjects to prepare our proposed model. The transfer values of the pertained model EfficientNet are used, as it is the backbone of EfficientDet. In contrast, the EfficientDet model detects the objects involved in these distracting activities and the region of interest of the body parts from the images to make predictions strong and accomplish state-of-art results. Also, in the Efficientdet model, we implement five variants: Efficientdet (D0-D4) for detection purposes and compared the best Efficientdet version with Faster R-CNN and Yolo-V3. Experimental results show that our approach outperforms earlier methods in the literature and conclude that EfficientDet-D3 is the best model for detecting distracted drivers as it achieves Mean Average Precision (MAP) of 99.16% along with learning rate (le-3), epoch 50, batch size 4, and step size 250, demonstrating that it can potentially help drivers maintain safe driving habits.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يتزايد عدد حوادث الطرق باستمرار في الآونة الأخيرة في جميع أنحاء العالم. وفقًا للتحقيق الذي أجرته الإدارة الوطنية لسلامة المرور على الطرق السريعة، فإن 45 ٪ من حوادث تصادم المركبات يقوم بها سائق مشتت حول كل منها. نسعى جاهدين لبناء إطار عمل دقيق وقوي لتمييز السائقين الذين تم تحويلهم. يهتم العمل الحالي للكشف عن السائق المشتت بمجموعة محدودة من الانحرافات (بشكل أساسي استخدام الهاتف الخلوي). تستخدم هذه الورقة أول مجموعة بيانات يمكن الوصول إليها بشكل عام وهي مجموعة بيانات الكشف عن السائقين المشتتين في مزرعة الولاية، والتي تحتوي على ثماني فئات: الاتصال، والرسائل النصية، والقيادة اليومية، والعمل على الراديو، وعدم النشاط، والتحدث إلى أحد الركاب، والنظر إلى الخلف، والشرب الذي يقوم به 26 شخصًا لإعداد نموذجنا المقترح. يتم استخدام قيم النقل للنموذج ذي الصلة EfficientNet، لأنها العمود الفقري لـ EfficientDet. في المقابل، يكتشف نموذج EfficientDet الأجسام المشاركة في هذه الأنشطة المشتتة والمنطقة التي تهم أجزاء الجسم من الصور لجعل التنبؤات قوية وتحقيق نتائج حديثة. أيضًا، في نموذج Efficientdet، ننفذ خمسة متغيرات: Efficientdet (D0 - D4) لأغراض الكشف ومقارنة أفضل إصدار Efficientdet مع R - CNN و Yolo - V3 الأسرع. تظهر النتائج التجريبية أن نهجنا يتفوق على الأساليب السابقة في الأدبيات ويستنتج أن EfficientDet - D3 هو أفضل نموذج للكشف عن السائقين المشتتين لأنه يحقق متوسط دقة (MAP) بنسبة 99.16 ٪ جنبًا إلى جنب مع معدل التعلم (le -3)، المرحلة 50، حجم الدفعة 4، وحجم الخطوة 250، مما يدل على أنه يمكن أن يساعد السائقين في الحفاظ على عادات القيادة الآمنة.Translated Description (French)
Le nombre d'accidents de la route n'a cessé d'augmenter ces derniers temps dans le monde entier. Selon l'enquête de l'administration nationale de la sécurité routière, 45 % des accidents de véhicule sont causés par un conducteur distrait. Nous nous efforçons de construire un cadre précis et robuste pour distinguer les conducteurs détournés. Le travail existant de détection des conducteurs distraits concerne un ensemble limité de distractions (principalement l'utilisation du téléphone portable). Cet article utilise le premier ensemble de données accessible au public qui est l'ensemble de données de détection des conducteurs distraits de la ferme d'État, qui contient huit classes : appel, textos, conduite quotidienne, fonctionnement à la radio, inactivité, parler à un passager, regarder derrière et boire effectué par 26 sujets pour préparer notre modèle proposé. Les valeurs de transfert du modèle concerné EfficientNet sont utilisées, car c'est l'épine dorsale d'EfficientDet. En revanche, le modèle EfficientDet détecte les objets impliqués dans ces activités distrayantes et la région d'intérêt des parties du corps à partir des images pour faire des prédictions fortes et obtenir des résultats de pointe. De plus, dans le modèle Efficientdet, nous mettons en œuvre cinq variantes : Efficientdet (D0-D4) à des fins de détection et avons comparé la meilleure version d'Efficientdet avec Faster R-CNN et Yolo-V3. Les résultats expérimentaux montrent que notre approche surpasse les méthodes antérieures dans la littérature et concluent que EfficientDet-D3 est le meilleur modèle pour détecter les conducteurs distraits car il atteint une précision moyenne (MAP) de 99,16% avec le taux d'apprentissage (le-3), l'époque 50, la taille du lot 4 et la taille du pas 250, démontrant qu'il peut potentiellement aider les conducteurs à maintenir des habitudes de conduite sûres.Translated Description (Spanish)
El número de accidentes de tráfico ha aumentado constantemente en los últimos tiempos en todo el mundo. Según la investigación de la Administración Nacional de Seguridad del Tráfico en las Carreteras, el 45% de los accidentes de vehículos son causados por un conductor distraído. Nos esforzamos por construir un marco preciso y sólido para distinguir a los conductores desviados. El trabajo existente de detección de conductores distraídos se refiere a un conjunto limitado de distracciones (principalmente el uso del teléfono celular). Este documento utiliza el primer conjunto de datos de acceso público que es el conjunto de datos de detección de conductores distraídos de la granja estatal, que contiene ocho clases: llamadas, mensajes de texto, conducción diaria, operación por radio, inactividad, hablar con un pasajero, mirar hacia atrás y beber realizado por 26 sujetos para preparar nuestro modelo propuesto. Se utilizan los valores de transferencia del modelo EfficientNet correspondiente, ya que es la columna vertebral de EfficientDet. Por el contrario, el modelo EfficientDet detecta los objetos involucrados en estas actividades de distracción y la región de interés de las partes del cuerpo a partir de las imágenes para hacer predicciones sólidas y lograr resultados de vanguardia. Además, en el modelo Efficientdet, implementamos cinco variantes: Efficientdet (D0-D4) para fines de detección y comparamos la mejor versión de Efficientdet con Faster R-CNN y Yolo-V3. Los resultados experimentales muestran que nuestro enfoque supera a los métodos anteriores en la literatura y concluye que EfficientDet-D3 es el mejor modelo para detectar conductores distraídos, ya que logra una precisión media promedio (MAP) del 99,16% junto con la tasa de aprendizaje (le-3), Epoch 50, tamaño de lote 4 y tamaño de paso 250, lo que demuestra que puede ayudar a los conductores a mantener hábitos de conducción seguros.Files
09662336.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:972fa55cb60b46b06a6ba762688657d1
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- إطار فعال للتعلم العميق للكشف عن السائق المشتت
- Translated title (French)
- Un cadre d'apprentissage en profondeur efficace pour la détection des conducteurs distraits
- Translated title (Spanish)
- Un marco de aprendizaje profundo eficiente para la detección de conductores distraídos
Identifiers
- Other
- https://openalex.org/W4205520016
- DOI
- 10.1109/access.2021.3138137
References
- https://openalex.org/W1484788869
- https://openalex.org/W1996316347
- https://openalex.org/W2070906768
- https://openalex.org/W2110305918
- https://openalex.org/W2111773888
- https://openalex.org/W2142578527
- https://openalex.org/W2157292144
- https://openalex.org/W2275304396
- https://openalex.org/W2324736398
- https://openalex.org/W2533823693
- https://openalex.org/W2604676963
- https://openalex.org/W2617632090
- https://openalex.org/W2733839197
- https://openalex.org/W2772431765
- https://openalex.org/W2774132735
- https://openalex.org/W2802132828
- https://openalex.org/W2890157139
- https://openalex.org/W2967815566
- https://openalex.org/W2988081177
- https://openalex.org/W2996542533
- https://openalex.org/W3000776343
- https://openalex.org/W3001866431
- https://openalex.org/W3034602972
- https://openalex.org/W3034971973
- https://openalex.org/W3049501660
- https://openalex.org/W3065619135
- https://openalex.org/W3090907207
- https://openalex.org/W3096632704
- https://openalex.org/W3100763996
- https://openalex.org/W3130982961
- https://openalex.org/W3133489250
- https://openalex.org/W3163279171
- https://openalex.org/W3204496322
- https://openalex.org/W4298947612