五月婷婷六月色,www.色婷婷五月综合在线色吧,操屄小视频,一区二区三区免费观看,亚洲精品一区二区三小电影,欧美熟女视频,99青草国产精品视频无码一区,一级日韩一级欧美

向AI轉(zhuǎn)型的程序員都關(guān)注了這個(gè)號(hào)??????

機(jī)器學(xué)習(xí)AI算法工程?? 公眾號(hào)：datayx

項(xiàng)目背景

我們經(jīng)常遇到這樣的場(chǎng)景：一盞燈變成綠色，你面前的車不走。另外，在沒(méi)有任何意外發(fā)生的情況下，前面的車輛突然減速，或者轉(zhuǎn)彎變道。等等這些現(xiàn)象，給道路安全帶來(lái)了很大的影響。

那么造成這樣現(xiàn)象的原因是什么，主要有因?yàn)樗緳C(jī)疲勞駕駛，或者走神去做其他事情，想象身邊的例子，開(kāi)車時(shí)候犯困，開(kāi)始時(shí)候打電話，發(fā)短信，喝水，拿后面東西，整理化妝的都有。這對(duì)道路安全和行車效率形成了極大的影響。

據(jù)中國(guó)安全部門介紹，五分之一的車禍?zhǔn)怯伤緳C(jī)分心引起的。令人遺憾的是，這樣一來(lái)，每年有42.5萬(wàn)人受傷，3000人因分心駕駛而死亡。

我們希望通過(guò)車內(nèi)攝像機(jī)來(lái)自動(dòng)檢測(cè)駕駛員走神的行為，來(lái)改善這一現(xiàn)象，并更好地保證客戶的安全。

問(wèn)題描述

我們要做的事情，就是根據(jù)車內(nèi)攝像機(jī)的畫面自動(dòng)檢測(cè)駕駛員走神的行為。如果是安全駕駛則一切正常，如果有走神行為，給予警報(bào)提醒。

駕駛員可能存在的走神的行為，大概有如下幾種，左右手用手機(jī)打字，左右手用手持方式打電話，調(diào)收音機(jī)（玩車機(jī)），喝飲料，拿后面的東西，整理頭發(fā)和化妝，和其他乘客說(shuō)話。

偵測(cè)的準(zhǔn)確率accuracy就是衡量解決這個(gè)問(wèn)題好壞的重要指標(biāo)。

全部代碼，論文獲取方式：

關(guān)注微信公眾號(hào) datayx? 然后回復(fù)?駕駛員?即可獲取。

輸入數(shù)據(jù)集

輸入數(shù)據(jù)集來(lái)自Kaggle 下載地址如下：

https://www.kaggle.com/c/state-farm-distracted-driver-detection/data

下載下來(lái)解壓后有3個(gè)文件

- driver_imgs_list.csv.zip (92.89K)

- imgs.zip (4G)? 所有的圖片數(shù)據(jù), 解壓后

??????? - train (訓(xùn)練集數(shù)據(jù))

?????????????? - c0 ~ c9 分別表示不同狀態(tài)的訓(xùn)練集

??????? - test (測(cè)試集數(shù)據(jù)，用于提交Kaggle比賽的測(cè)試集)

- sample_submission.csv.zip (206.25K) Kaggle比賽需要提交的樣本

下面是10種狀態(tài)下每個(gè)狀態(tài)的示例圖片：圖片大小 640x480

其中 driver_imgs_list.csv.zip 的是對(duì)分類標(biāo)號(hào)和人分類編號(hào)的csv文件。這個(gè)csv表格有三列

-?????? subject：人的ID，不同的人，這個(gè)值不同

-?????? classname：狀態(tài)，c0 ~ c9

-?????? img：圖片名稱

解決方法

這是一個(gè)分類器分為，預(yù)測(cè)的時(shí)候是將圖片進(jìn)行歸類 C0~C9

首先，第一步，對(duì)圖片進(jìn)行預(yù)處理，保留有用的部分

第二步，將train數(shù)據(jù)，劃分為訓(xùn)練和驗(yàn)證集，

第三步，建模調(diào)參，首先采用遷移學(xué)習(xí)(transfer learning) 的方式，對(duì)imagenet上的已經(jīng)訓(xùn)練好的模型拿過(guò)來(lái)，只對(duì)以已經(jīng)預(yù)測(cè)過(guò)的數(shù)據(jù)做全連接層的訓(xùn)練。在驗(yàn)證集上看精度accuracy. 然后嘗試改造模型和自己建模，在驗(yàn)證集上看精度accuracy。

第四步，選擇最高精度accuracy的模型和參數(shù)，生成Kaggle測(cè)試集提交文件，手動(dòng)拿出20個(gè)數(shù)據(jù)開(kāi)人眼判斷是否正確

基準(zhǔn)模型

我用ImageNet上已經(jīng)成熟的模型來(lái)做基準(zhǔn)模型來(lái)和我的計(jì)算結(jié)果做對(duì)比。

?????? 我選擇選擇 ResNet50 的去掉原有全連接層之后，自己訓(xùn)練全連接層來(lái)做為基準(zhǔn)模型。我基于這個(gè)基準(zhǔn)模型再做改進(jìn)。

?????? 我的目標(biāo)是 accuracy > 0.93 并且 logloss < 1.0 并且世界排名前 1/3

評(píng)估指標(biāo)

這是典型的分類問(wèn)題，評(píng)估指標(biāo)采用

1.??? 精度accuracy來(lái)評(píng)估結(jié)果好壞。
2.??? Logloss的評(píng)估方式，這也是kaggle比賽的評(píng)估方式

對(duì)比這兩種方案。Accuracy對(duì)于判斷正確和錯(cuò)誤的比重是一樣的，也就是對(duì)了就多一個(gè)，錯(cuò)了就少一個(gè)，最終看正確的百分比

而logloss的評(píng)估方式對(duì)判斷是不是是有明顯的方法，如果正確了，Pij=1 => log(Pij)=0, 而Pij=0.999 => log(Pij)=-0.001。最后增加的log差不多。但如果判斷錯(cuò)誤，如 Pij=0 => log(Pij) = -無(wú)窮。Pih=0.001 => log(Pij)=-6.9 也就是判斷錯(cuò)誤一個(gè)，對(duì)等分影響會(huì)非常大。

?? 我認(rèn)為，在accuray>0.95的情況下，看logloss更有意義。

多模型融合

對(duì)比各個(gè)模型的運(yùn)行結(jié)果如下，參數(shù)都是

新的模型把 ResNet，InceptionV3 和 Xception 混合起來(lái)做，從而完成最終模型

新的模型把 ResNet，InceptionV3 和 Xception 的去掉全鏈接層的結(jié)果混合起來(lái)，然后重新用神經(jīng)網(wǎng)絡(luò)訓(xùn)練全鏈接層。最后的在 Adam 優(yōu)化器下迭代 10 輪之后 (使用混合模型運(yùn)行在 tensorboard 下的圖表如下:)