Resumen Técnico: DriveSafe AI

Planteamiento del Problema

La somnolencia del conductor es una de las principales causas de fatalidades viales a nivel mundial; sin embargo, el despliegue de sistemas de detección efectivos enfrenta dos barreras primarias: altas tasas de falsas alarmas que erosionan la confianza del conductor, y fallos catastróficos cuando los modelos encuentran sujetos o condiciones de cámara no vistos (generalización entre conjuntos de datos o cross-dataset). La literatura existente revela un compromiso fundamental: los modelos de alta precisión suelen requerir hardware pesado de escritorio, mientras que los modelos ligeros compatibles con dispositivos edge sacrifican la precisión. Además, la mayoría de los sistemas se evalúan únicamente en sus distribuciones de entrenamiento, ocultando los fallos de generalización. Este artículo identifica una fuente de pérdida de precisión descuidada: el flujo de procesamiento (pipeline), específicamente el traspaso entre la detección facial y la clasificación.

Metodología

El sistema propuesto, DriveSafe AI, emplea una descomposición sistemática del flujo de trabajo para aislar los cuellos de botella de la precisión. La arquitectura consta de:

1. Flujo del Sistema: Los fotogramas de la webcam pasan por una detección facial mediante SSD (Single Shot Multibox Detector), seguida de un preprocesamiento CLAHE (Contrast Limited Adaptive Histogram Equalization), clasificación mediante MobileNetV2 y un protocolo de confianza de tres zonas.
2. Preprocesamiento Adaptativo CLAHE: A diferencia del ajuste de brillo global estándar, CLAHE opera en regiones de teselas locales para normalizar la iluminación no uniforme (por ejemplo, el resplandor del tablero o la iluminación de túneles), cerrando la brecha de dominio entre los conjuntos de datos de entrenamiento y prueba.
3. Protocolo de Confianza de Tres Zonas: Para eliminar las falsas alarmas, el sistema particiona las salidas del clasificador en tres zonas: Activo (probabilidad baja), Incierto (probabilidad intermedia) y Fatiga (probabilidad alta). El sistema se niega a clasificar las entradas que caen en la zona "Incierto", manteniendo una alta cobertura mientras filtra el ruido.
4. Calibración de Pocos Pasos (Few-Shot) Adaptativa al Sujeto: Para abordar la brecha de generalización entre sujetos, el sistema implementa un protocolo de ajuste fino (fine-tuning) de pocos pasos. Dado solo $k=30$ fotogramas etiquetados (aproximadamente 1 segundo de video) de un nuevo conductor, el modelo:
   • Congela todas las capas excepto las últimas cinco.
   • Realiza un ajuste fino sobre los fotogramas de adaptación con aumentación de datos (giros, fluctuación de brillo, ruido, cutout).
   • Calibra un umbral de decisión por sujeto.
   • Aplica Aumentación de Tiempo de Prueba (TTA) y suavizado temporal sobre una ventana deslizante de 5 fotogramas.
   • Nota: El protocolo admite una variante semisupervisada donde los 30 fotogramas solo necesitan ser fotogramas "activos" (alerta), recolectados durante el primer minuto de conducción, eliminando la necesidad de etiquetado manual de fatiga al inicio.

Contribuciones Clave

El artículo presenta cuatro contribuciones primarias:

1. Descomposición del Flujo de Trabajo: Una metodología que aísla las contribuciones de precisión por etapa, identificando el traspaso de la detección facial SSD como el principal modo de fallo, introduciendo una brecha de precisión de 12.1 puntos porcentuales mayor que cualquier variación arquitectónica probada.
2. Preprocesamiento Adaptativo CLAHE: Una técnica que cierra la brecha de dominio entre conjuntos de datos mediante la normalización de la iluminación, mejorando la precisión en el conjunto de datos UTA-RLDD del 33.3% al 99.0%.
3. Protocolo de Confianza de Tres Zonas: Un mecanismo que elimina las falsas alarmas mediante la predicción selectiva, rechazando entradas inciertas mientras mantiene un F1 score de 94.7%.
4. Calibración Adaptativa al Sujeto: Un método de calibración de pocos pasos que eleva la precisión media de Leave-One-Subject-Out (LOSO) del 53.2% al 96.1%, demostrando la viabilidad de la detección personalizada desplegada en el edge.

Resultados Experimentales

Los experimentos se realizaron utilizando el conjunto de datos akahana para el entrenamiento de distribución interna y el benchmark UTA-RLDD (60 sujetos) para la evaluación entre sujetos.

• Impacto del Preprocesamiento: Sin CLAHE, la precisión entre conjuntos de datos cayó al 33.3% debido a la varianza de la iluminación. Con CLAHE, la precisión alcanzó el 99.0%, una mejora de 65.7 puntos porcentuales.
• Rendimiento de Generalización:
  • Línea Base (Sin Adaptación): Logró una precisión media del 53.2% (±19.3% std) bajo una evaluación LOSO real, con una Tasa de Falsas Alarmas (FAR) del 40.9%.
  • Adaptativo (Pocos Pasos): Logró una precisión media del 96.1% (±4.9% std) con solo 30 fotogramas de adaptación por sujeto. La FAR cayó al 5.5%, y el recall alcanzó el 99.2%.
• Estudios de Ablación:
  • Aumentar los fotogramas de adaptación de $k=10$ a $k=30$ proporcionó la mayor ganancia (+34.3 pp), superando con creces los beneficios de TTA o el suavizado temporal.
  • La complejidad arquitectónica (por ejemplo, añadir LSTM o características geométricas) no logró mejorar el rendimiento sobre el ajuste fino simple, produciendo una precisión (59.0%) inferior a la línea base adaptativa.
  • Cuantización: MobileNetV2 cuantizado a 2.4 MB dinámicos (TFLite) logró un 99.0% de precisión, superando a MobileNetV3, cuyas activaciones hard-swish se degradaron bajo el redondeo de pesos.
• Análisis de Cuello de Botella: El paso de detección facial SSD introdujo una brecha de precisión de 12.1 puntos porcentuales en comparación con la clasificación de imagen completa, excediendo el impacto de los cambios en la arquitectura del modelo.

Significancia y Reivindicaciones

El artículo argumenta que la principal barrera para la detección ligera de la somnolencia del conductor (DDD) no es la capacidad de la arquitectura neuronal, sino la robustez del preprocesamiento y la calibración específica del sujeto.

• Reencuadre de la Optimización: El autor afirma que las mejoras en el preprocesamiento (específicamente la normalización de la iluminación) y la adaptación de datos rinden mayores beneficios que escalar la complejidad del modelo. La brecha de 12.1 pp causada por el traspaso de la detección es la mayor fuente de error identificada.
• Viabilidad de la Personalización: Los resultados demuestran que la generalización entre sujetos no es una barrera insuperable que requiera conjuntos de datos masivos o arquitecturas complejas. En su lugar, puede resolverse mediante la calibración personalizada utilizando datos mínimos (30 fotogramas).
• Despliegue Práctico: El sistema está diseñado para el despliegue en el edge, utilizando la cuantización dinámica de TFLite y un flujo de procesamiento que se ajusta a restricciones de tiempo real (presupuesto de sub-40ms por fotograma cuando se amortiza). El protocolo de adaptación semisupervisado permite el despliegue en el mundo real sin requerir que los conductores etiqueten manualmente los estados de fatiga durante el arranque del vehículo.

El estudio concluye que los esfuerzos futuros en DDD deben priorizar la reducción de los requisitos de datos de adaptación (vía meta-aprendizaje) y la validación de estos protocolos adaptativos a través de diversos conjuntos de datos (NTH-DDD, ZJU-DRO) en lugar de perseguir más innovaciones arquitectónicas.