Transfer learning using convolutional neural networks for driver distraction recognition

• Autores: Bazan Yaranga, Cristopher, Sanchez, Zaid, Rodriguez, Ricardo
• Formato: artículo
• Fecha de Publicación: 2018
• Institución: Universidad Nacional de Ingeniería
• Repositorio: Revista UNI - Tecnia
• Lenguaje: español
• OAI Identifier: oai:oai:revistas.uni.edu.pe:article/549
• Enlace del recurso: http://www.revistas.uni.edu.pe/index.php/tecnia/article/view/549
• Nivel de acceso: acceso abierto
• Materia: Transferencia de Aprendizaje; Ingeniería de característica; Conductores distraídos; Redes Neuronales Convolucionales

In the present work it is proposed to identify if a person is distracted or not, when he is driving a vehicle. This can be achieved by classifying images of drivers to determine if they are available or distracted using convolutional neural networks (CNN) and tools to improve the algorithm, which are Learning Transfer and Characteristics Engineering. Kaggle competition images are used to perform the training, in which you can obtain more results and obtain more results. Later the red extractor of characteristics VGG16 was used, which is a pre-trained model, from which it is lowered in its last layers to reduce the overfit and adapt it to our algorithm. The results obtained in the classifier gave us a training efficiency and validation of 99.30% and 99.46% respectively.
En el presente trabajo se plantea identificar si una persona se encuentra distraída o no, cuando está conduciendo un vehículo. Esto se logra mediante la clasificación de imágenes de conductores para determinar si están atentos o distraídos usando redes neuronales convolucionales (CNN) y dos herramientas para mejorar el algoritmo, las cuales son Transferencia de Aprendizaje e Ingeniería de Características. Para realizar el entrenamiento se usó imágenes de la competición de Kaggle, en las cuales se hicieron operaciones de rotación y aumento del tamaño para poder tener más datos y obtener mejores resultados. Posteriormente se usó la red extractora de características VGG16, que es un modelo pre-entrenado, de la cual se reemplazaron sus últimas capas para reducir el sobre-entrenamiento y adaptarla a nuestro algoritmo. Los resultados obtenidos en el clasificador nos dan una eficiencia de entrenamiento y validación del 99.30% y 99.46% respectivamente.