Résumé Technique : DriveSafe AI

Énoncé du Problème

La somnolence au volant est une cause majeure de décès sur les routes mondiales, pourtant le déploiement de systèmes de détection efficaces se heurte à deux barrières principales : des taux de fausses alertes élevés qui érodent la confiance du conducteur, et un échec catastrophique lorsque les modèles sont confrontés à des sujets ou des conditions de caméra inconnus (généralisation inter-jeux de données). La littérature existante révèle un compromis fondamental : les modèles à haute précision nécessitent souvent un matériel de bureau lourd, tandis que les modèles légers compatibles avec l'edge sacrifient la précision. De plus, la plupart des systèmes ne sont évalués que sur leurs distributions d'entraînement, masquant ainsi les échecs de généralisation. Ce document identifie une source négligée de perte de précision : le pipeline de prétraitement, plus précisément le transfert entre la détection de visage et la classification.

Méthodologie

Le système proposé, DriveSafe AI, emploie une décomposition systématique du pipeline pour isoler les goulots d'étranglement de précision. L'architecture se compose de :

1. Pipeline du Système : Les images de la webcam subissent une détection de visage par SSD (Single Shot Multibox Detector), suivie d'un prétraitement CLAHE (Contrast Limited Adaptive Histogram Equalization), d'une classification via MobileNetV2, et d'un protocole de confiance à trois zones.
2. Prétraitement Adaptatif CLAHE : Contrairement à un ajustement de luminosité global standard, le CLAHE opère sur des régions de tuiles locales pour normaliser l'illumination non uniforme (ex: éblouissement du tableau de bord, éclairage de tunnel), comblant ainsi le fossé de domaine entre les jeux de données d'entraînement et de test.
3. Protocole de Confiance à Trois Zones : Pour éliminer les fausses alertes, le système partitionne les sorties du classificateur en trois zones : Actif (faible probabilité), Incertain (probabilité intermédiaire) et Fatigue (haute probabilité). Le système refuse de classifier les entrées tombant dans la zone « Incertain », maintenant une couverture élevée tout en filtrant le bruit.
4. Calibration Few-Shot Adaptative au Sujet : Pour traiter le fossé de généralisation inter-sujets, le système implémente un protocole de réglage fin (fine-tuning) à quelques exemples. Avec seulement $k=30$ images étiquetées (environ 1 seconde de vidéo) d'un nouveau conducteur, le modèle :
   • Gèle tous les niveaux sauf les cinq derniers.
   • Effectue un réglage fin sur les images d'adaptation avec augmentation de données (flips, jitter de luminosité, bruit, cutout).
   • Calibre un seuil de décision par sujet.
   • Applique l'augmentation de test (TTA) et un lissage temporel sur une fenêtre glissante de 5 images.
   • Note : Le protocole supporte une variante semi-supervisée où les 30 images doivent seulement être des images « actives » (alerte), collectées durant la première minute de conduite, éliminant ainsi le besoin d'étiquetage manuel de la fatigue au démarrage.

Principales Contributions

Le document présente quatre contributions principales :

1. Décomposition du Pipeline : Une méthodologie isolant les contributions de précision par étape, identifiant le transfert de la détection de visage SSD comme le principal mode de défaillance, introduisant un écart de précision de 12,1 points de pourcentage, plus important que toute variation architecturale testée.
2. Prétraitement Adaptatif CLAHE : Une technique qui comble le fossé de domaine inter-jeux de données par la normalisation de l'illumination, améliorant la précision sur le jeu de données UTA-RLDD de 33,3 % à 99,0 %.
3. Protocole de Confiance à Trois Zones : Un mécanisme qui élimine les fausses alertes grâce à une prédiction sélective, refusant les entrées incertaines tout en maintenant un score F1 de 94,7 %.
4. Calibration Adaptative au Sujet : Une méthode de calibration few-shot qui élève la précision réelle Leave-One-Subject-Out (LOSO) de 53,2 % à 96,1 %, démontant la faisabilité d'une détection personnalisée déployée sur l'edge.

Résultats Expérimentaux

Les expériences ont été menées en utilisant le jeu de données akahana pour l'entraînement in-distribution et le benchmark UTA-RLDD (60 sujets) pour l'évaluation inter-sujets.

• Impact du Prétraitement : Sans CLAHE, la précision inter-jeu de données est tombée à 33,3 % en raison de la variance d'illumination. Avec CLAHE, la précision a atteint 99,0 %, soit une amélioration de 65,7 points de pourcentage.
• Performance de Généralisation :
  • Baseline (Sans Adaptation) : A atteint une précision moyenne de 53,2 % (±19,3 % std) sous évaluation LOSO réelle, avec un taux de fausse alerte (FAR) de 40,9 %.
  • Adaptatif (Few-Shot) : A atteint une précision moyenne de 96,1 % (±4,9 % std) avec seulement 30 images d'adaptation par sujet. Le FAR est tombé à 5,5 %, et le rappel a atteint 99,2 %.
• Études d'Ablation :
  • L'augmentation du nombre d'images d'adaptation de $k=10$ à $k=30$ a fourni le gain le plus important (+34,3 pp), éclipsant les bénéfices du TTA ou du lissage temporel.
  • La complexité architecturale (ex: ajout de LSTM ou de caractéristiques géométriques) n'a pas réussi à améliorer la performance par rapport à la baseline adaptative, produisant une précision plus faible (59,0 %) que la baseline adaptative.
  • Quantification : MobileNetV2 quantifié à 2,4 Mo dynamiques (TFLite) a atteint 9,0 % de précision, surpassant MobileNetV3, dont les activations hard-swish se sont dégradées sous l'effet de l'arrondi des poids.
• Analyse des Goulots d'Étranglement : L'étape de détection de visage SSD a introduit un écart de précision de 12,1 points de pourcentage par rapport à la classification de l'image complète, dépassant l'impact des changements d'architecture du modèle.

Signification et Revendications

Le document soutient que la principale barrière à une détection de la somnolence au volant (DDD) légère n'est pas la capacité de l'architecture neuronale, mais plutôt la robustesse du prétraitement et la calibration spécifique au sujet.

• Recadrage de l'Optimisation : L'auteur affirme que les améliorations du prétraitement (spécifiquement la normalisation de l'illumination) et de l'adaptation des données offrent de meilleurs rendements que l'augmentation de la complexité des modèles. L'écart de 12,1 pp causé par le transfert de détection est la plus grande source d'erreur identifiée.
• Faisabilité de la Personnalisation : Les résultats démontrent que la généralisation inter-sujets n'est pas une barrière insurmontable nécessitant des jeux de données massifs ou des architectures complexes. Au contraire, elle peut être résolue par une calibration personnalisée utilisant un minimum de données (30 images).
• Déploiement Pratique : Le système est conçu pour un déploiement sur l'edge, utilisant la quantification dynamique TFLite et un pipeline de traitement qui respecte les contraintes de temps réel (budget amorti de moins de 40 ms par image). Le protocole d'adaptation semi-supervisé permet un déploiement en conditions réelles sans exiger que les conducteurs étiquettent manuellement les états de fatigue lors du démarrage du véhicule.

L'étude conclut que les efforts futurs en matière de DDD devraient prioriser la réduction des besoins en données d'adaptation (via le meta-learning) et la validation de ces protocoles adaptatifs sur divers jeux de données (NTH-DDD, ZJU-DRO) plutôt que de poursuivre de nouvelles innovations architecturales.