ملخص تقني: DriveSafe AI

بيان المشكلة

يعد خمول السائق سبباً رئيسياً في وفيات الطرق عالمياً، ومع ذلك، يواجه نشر أنظمة كشف فعالة عائقين أساسيين: معدلات الإنذار الخاطئ المرتفعة التي تضعف ثقة السائق، والفشل الكارثي عندما تواجه النماذج أشخاصاً أو ظروف كاميرا غير مرئية من قبل (التعميم عبر مجموعات البيانات). تكشف الأدبيات الحالية عن مقايضة جوهرية: النماذج ذات الدقة العالية غالباً ما تتطلب أجهزة مكتبية ثقيلة، بينما تضحي النماذج الخفيفة المتوافقة مع الأجهزة الطرفية (Edge) بالدقة. علاوة على على ذلك، يتم تقييم معظم الأنظمة فقط على توزيعات التدريب الخاصة بها، مما يحجب إخفاقات التعميم. تحدد هذه الورقة مصدراً مهملًا لفقدان الدقة: خط معالجة البيانات المسبقة (Preprocessing pipeline)، وتحديداً عملية التسليم بين اكتشاف الوجه والتصنيف.

المنهجية

يعتمد النظام المقترح، DriveSafe AI، على تفكيك منهجي لخط الأنابيب لعزل اختناقات الدقة. تتكون البنية من:

1. خط أنابيب النظام: تخضع إطارات الويب كام لاكتشاف الوجه عبر SSD (Single Shot Multibox Detector)، يليه معالجة CLAHE (تكييف التدرج المستمر المحدود للتباين)، ثم التصنيف عبر MobileNetV2، وبروتوكول ثقة ثلاثي المناطق.
2. المعالجة المسبقة التكيفية بـ CLAHE: على عكس ضبط السطوع العالمي القياسي، تعمل تقنية CLAHE على مناطق بلاطات محلية لتوحيد الإضاءة غير المنتظمة (مثل وهج لوحة القيادة، أو إضاءة الأنفاق)، مما يسد الفجوة بين نطاق التدريب ونطاق الاختبار.
3. بروتوكول الثقة ثلاثي المناطق: للقضاء على الإنذارات الخاطئة، يقسم النظام مخرجات المصنف إلى ثلاث مناطق: نشط (احتمالية منخفضة)، غير مؤكد (احتمالية متوسطة)، وخمول (احتمالية عالية). يرفض النظام تصنيف المدخلات التي تقع في منطقة "غير مؤكد"، مما يحافظ على تغطية عالية مع تصفية الضوضاء.
4. المعايرة التكيفية مع الموضوع عبر التعلم القليل (Few-Shot): لمعالجة فجوة التعميم عبر الأشخاص، ينفذ النظام بروتوكول ضبط دقيق (Fine-tuning) يعتمد على التعلم القليل. باستخدام 30 إطاراً مصنفاً فقط ($k=30$) (حوالي ثانية واحدة من الفيديو) لسائق جديد، يقوم النموذج بـ:
   • تجميد جميع الطبقات باستثناء آخر خمس طبقات.
   • الضبط الدقيق على إطارات التكيف مع استخدام تعزيز البيانات (قلب الصور، تذبذب السطوع، الضوضاء، والقطع/Cutout).
   • معايرة عتبة القرار لكل شخص.
   • تطبيق تعزيز وقت الاختبار (TTA) وتنعيم زمني عبر نافذة منزلقة مكونة من 5 إطارات.
   • ملاحظة: يدعم البروتوكول نسخة شبه مشرفة حيث لا تحتاج الـ 30 إطاراً إلا لأن تكون إطارات "نشطة" (يقظة)، يتم جمعها خلال الدقيقة الأولى من القيادة، مما يلغي الحاجة إلى تصنيف التعب يدوياً عند بدء التشغيل.

المساهمات الرئيسية

تقدم الورقة أربع مساهمات رئيسية:

1. تفكيك خط الأنابيب: منهجية تعزل مساهمات الدقة لكل مرحلة، حيث حددت عملية التسليم من اكتشاف الوجه عبر SSD كنمط الفشل الأساسي، مما أدى إلى فجوة دقة قدرها 12.1 نقطة مئوية، وهي أكبر من أي تغيير معماري تم اختباره.
2. المعالجة المسبقة التكيفية بـ CLAHE: تقنية تسد الفجوة بين مجموعات البيانات من خلال توحيد الإضاءة، مما حسن الدقة على مجموعة بيانات UTA-RLDD من 33.3% إلى 99.0%.
3. بروتوكول الثقة ثلاثي المناطق: آلية تقضي على الإنذارات الخاطئة من خلال التنبؤ الانتقائي، حيث ترفض المدخلات غير المؤكدة مع الحفاظ على درجة F1 تبلغ 94.7%.
4. المعايرة التكيفية مع الموضوع: طريقة معايرة تعتمد على التعلم القليل رفعت دقة (Leave-One-Subject-Out - LOSO) الحقيقية من 53.2% إلى 96.1%، مما يثبت جدوى الكشف المخصص المنشور على الأجهزة الطرفية.

النتائج التجريبية

أجريت التجارب باستخدام مجموعة بيانات akahya للتدريب داخل التوزيع، ومجموعة بيانات UTA-RLDD (60 شخصاً) للتقييم عبر الأشخاص.

• تأثير المعالجة المسبقة: بدون CLAHE، انخفضت دقة عبر مجموعات البيانات إلى 33.3% بسبب تباين الإضاءة. مع CLAHE، وصلت الدقة إلى 99.0%، بزيادة قدرها 65.7 نقطة مئوية.
• أداء التعميم:
  • الأساس (بدون تكيف): حقق متوسط دقة 53.2% (±19.3% انحراف معياري) تحت تقييم LOSO حقيقي، مع معدل إنذار خاطئ (FAR) بلغ 40.9%.
  • التكيفي (التعلم القليل): حقق متوسط دقة 96.1% (±4.9% انحراف معياري) مع 30 إطار تكيف فقط لكل شخص. انخفض معدل الإنذار الخاطئ إلى 5.5%، ووصل الاستدعاء (Recall) إلى 99.2%.
• دراسات الاستئصال (Ablation Studies):
  • زيادة إطارات التكيف من $k=10$ إلى $k=30$ قدمت أكبر مكسب (+34.3 نقطة مئوية)، متفوقة على فوائد TTA أو التنعيم الزمني.
  • التعقيد المعماري (مثل إضافة LSTM أو الميزات الهندسية) فشل في تحسين الأداء مقارنة بالأساس التكيفي، حيث أعطى دقة أقل (59.0%) من الأساس التكيفي.
  • الكمية (Quantization): حقق نموذج MobileNetV2 المكمم إلى 2.4 ميجابايت ديناميكي (TFLite) دقة 99.0%، متفوقاً على MobileNetV3، الذي تدهورت تنشيطات (hard-swish) فيه تحت تأثير تقريب الأوزان.
• تحليل الاختناق: تسبب خط اكتشاف الوجه SSD في فجوة دقة قدرها 12.1 نقطة مئوية مقارنة بتصنيف الصورة الكاملة، وهو ما يتجاوز تأثير تغييرات بنية النموذج.

الأهمية والادعاءات

تجادل الورقة بأن العائق الرئيسي أمام كشف خمول السائق (DDD) خفيف الوزن ليس سعة البنية العصبية، بل متانة المعالجة المسبقة والمعايرة الخاصة بكل موضوع.

• إعادة صياغة التحسين: يزعم المؤلف أن التحسينات في المعالجة المسبقة (تحديداً توحيد الإضاءة) والتكيف مع البيانات تحقق عوائد أكبر من توسيع تعقيد النموذج. الفجوة الناتجة عن تسليم الاكتشاف (12.1 نقطة مئوية) هي أكبر مصدر خطأ تم تحديده.
• جدوى التخصيص: تثبت النتائج أن التعميم عبر الأشخاص ليس عائقاً لا يمكن تجاوزه يتطلب مجموعات بيانات ضخمة أو بنيات معقدة، بل يمكن حله من خلال المعايرة الشخصية باستخدام الحد الأدنى من البيانات (30 إطاراً).
• النشر العملي: تم تصميم النظام للنشر على الأجهزة الطرفية، باستخدام كمية TFLite ديناميكية ومسار معالجة يلتزم بالقيود الزمنية (ميزانية أقل من 40 مللي ثانية لكل إطار عند حسابها بشكل تراكمي). يسمح بروتوكول التكيف شبه المشرف بالنشر في العالم الحقيقي دون الحاجة من السائقين لتسمية حالات التعب يدوياً أثناء بدء تشغيل المركبة.

تخلص الدراسة إلى أن الجهود المستقبلية في مجال DDD يجب أن تعطي الأولوية لتقليل متطلبات بيانات التكيف (عبر التعلم الميتا - meta-learning) والتحقق من هذه البروتوكولات التكيفية عبر مجموعات بيانات متنوعة (NTH-DDD, ZJU-DRO) بدلاً من السعي وراء المزيد من الابتكارات المعمارية.