注意力分散的驾驶员检测:使用PyTorch和ResNet18模型以及22400张不同类型的注意力分散的驾驶员的图像构建可检测干扰的检测器验证精度为99.7% 源

CS175分心驾驶员检测 #RESNET18 #PYTORCH#机器学习 分心驾驶: 建议作为导致致命事故从2014年到2018年增加的原因 由于使用智能设备的增加,引起公众越来越多的关注 我们在建筑物探测器中的数据:(由StateFarm在他们的Kaggle挑战赛中提供: 训练数据:在训练数据中包含22,424张图像,分为10个带标签的课程文件夹 测试数据:7.97万张未标记的图像(通过kaggle提交进行了准确性测试) 提供给我们的每张图像的大小为640×480像素 我们的模型: ResNet18(必须对图像进行预处理,并对在ResNet18中内置的pyTorch进行一些更改) 使用交叉熵损失和SGD优化器,其学习率为0.001,动量为0.9和Nesterov动量 火车精度大约为98%! 测试准确率近97%! 以下是我们所做操作和报告的全面说明:幻灯片: ://docs