Integration of Ensemble Variant CNN with Architecture Modified LSTM for Distracted Driver Detection
연구의 주요 기여 사항
LGP(Local Gradient Pattern)와LWP(Local Weber Pattern)에서 추출한 패턴을 결합하여, 최적의 fusion-based 패턴 추출 기법을 개발. 이를 통해HSWOA(Hybrid Squirrel Whale Optimization Algorithm) 기반 패턴 이미지의 엔트로피를 최대화함
ResNet50,InceptionV3,Xception네트워크를 활용하여 중요한 특징을 추출하는 앙상블 CNN 모델을 통합
- 주의 분산 운전자 행동을 감지하기 위해
O-LSTM라는 개선된 딥러닝 모델 개발
방법론
| 입력 데이터 수집 | 공공 데이터셋을 사용하여 모델 학습 데이터로 활용 |
| 패턴 추출 (LGP & LWP) | - LGP(Local Gradient Pattern): 이미지의 로컬 그라디언트 패턴을 추출하여 명암 변화 정보를 보존 - LWP(Local Weber Pattern): 웨버 비율을 기반으로 명암 대비 패턴을 추출 두 패턴을 결합하여 더 강력한 특징을 생성 |
| HSWOA | Hybrid Squirrel Whale Optimization Algorithm - SSA(Squirrel Search Algorithm): 탐색 공간을 더 효과적으로 샘플링 - WOA(Whale Optimization Algorithm): 전역 최적해를 찾아 정확도 향상 두 개의 최적화 알고리즘(SSA + WOA)을 결합하여 패턴 가중치를 최적화 |
| 특징 추출 (EV-CNN) | - CNN 기반 모델을 이용하여 이미지에서 주요 특징을 추출 - ResNet50, InceptionV3, Xception을 활용한 앙상블 모델 사용 |
| 시퀀스 학습 (O-LSTM) | - Optimized LSTM을 사용하여 시간적 특징을 학습 - HSWOA를 적용하여 LSTM의 하이퍼파라미터를 최적화 |
- 패턴 추출은 데이터에서 규칙적, 반복적인 형태를 감지하는 과정
- 특징 추출은 데이터에서 모델 학습에 유용한 정보를 자동 또는 수동으로 변환하는 과정
