技術要約：DriveSafe AI

問題提起

ドライバーの居眠り運転は、世界的な交通事故死の主要な原因であるが、効果的な検知システムの導入には2つの主要な障壁が存在する。一つは、ドライバーの信頼を損なう高い誤報率であり、もう一つは、未知の被験者やカメラ条件下でモデルが破綻する致命的な失敗（クロスデータセットにおける汎化性能の欠如）である。既存の文献によれば、根本的なトレードオフが明らかになっている。すなわち、高精度なモデルは重厚なデスクトップハードウェアを必要とする一方で、エッジデバイスに適した軽量なモデルは精度を犠牲にするという点である。さらに、ほとんどのシステムは学習分布内でのみ評価されており、汎化性能の失敗が隠蔽されている。本論文は、精度の低下を引き起こす見落とされた要因として、前処理パイプライン、具体的には顔検出から分類へのハンドオフ（受け渡し）を特定している。

手法

提案するシステム「DriveSafe AI」は、精度のボトルネックを分離するために、体系的なパイプライン分解を採用している。アーキテクチャは以下で構成される：

1. システム・パイプライン： ウェブカメラのフレームに対して、SSD（Single Shot Multibox Detector）による顔検出を行い、続いてCLAHE（コントラスト制限適応ヒストグラム平坦化）による前処理、MobileNetV2による分類、および3ゾーン・コンフィデンス・プロトコルを実行する。
2. CLAHE適応型前処理： 標準的なグローバル輝度調整とは異なり、CLAHEは局所的なタイル領域に対して動作することで、非一様な照明（例：ダッシュボードの眩しさ、トンネル内の照明）を正規化し、学習データセットとテストデータセットの間のドメインギャップを埋める。
3. 3ゾーン・コンフィデンス・プロトコル： 誤報を排除するため、分類器の出力を3つのゾーンに分割する：Active（低確率）、Uncertain（中間確率）、Fatigue（高確率）。システムは「Uncertain」ゾーンに該当する入力の分類を拒否することで、高いカバレッジを維持しながらノイズをフィルタリングする。
4. 被験者適応型フューショット・キャリブレーション： クロス被験者の汎化ギャップに対処するため、システムはフューショット微調整プロトコルを実装している。新しいドライバーからわずか $k=30$ フレーム（ビデオの約1秒分）のラベル付きフレームが得られるだけで、モデルは以下の処理を行う：
   • 最後の5層を除くすべての層を凍結する。
   • データ拡張（反転、輝度ジッター、ノイズ、カットアウト）を用いて適応フレームで微調整を行う。
   • 被験者ごとの決定閾値を校正（キャリブレーション）する。
   • テスト時拡張（TTA）および5フレームのスライディングウィンドウによる時間的平滑化を適用する。
   • 注記： このプロトコルは、30フレームが「Active（覚醒）」状態のフレームである必要があるという半教師あり学習のバリアントをサポートしており、これらは走行開始時の最初の1分間に収集される。これにより、起動時に手動で疲労ラベルを付ける必要がなくなる。

主な貢献

本論文は、主に4つの貢献を提示している：

1. パイプライン分解： 各ステージの精度への寄与を分離する手法により、SSD顔検出のハンドオフが主要な失敗モードであることを特定した。これは、テストされたいかなるアーキテクチャのバリエーションよりも大きな、12.1パーセントポイントの精度ギャップをもたらしている。
2. CLAHE適応型前処理： 照明の正規化を通じてクロスデータセットのドメインギャップを埋める技術であり、UTA-RLDDデータセットにおける精度を33.3%から99.0%へと向上させた。
3. 3ゾーン・コンフィデンス・プロトコル： 選択的予測を通じて誤報を排除するメカニズムであり、不確実な入力を拒否しながら94.7%のF1スコアを維持する。
4. 被験者適応型キャリブレーション： 真のLeave-One-Subject-Out (LOSO) 精度を53.2%から96.1%へと引き上げるフューショット校正法であり、パーソナライズされたエッジ展開型の検知の実現可能性を示している。

実験結果

実験は、学習用としてakahanaデータセットを使用し、クロス被験者評価用のベンチマークとしてUTA-RLDD（60名の被験者）を使用して行われた。

• 前処理の影響： CLAHEなしでは、照明の変動によりクロスデータセットの精度が33.3%まで低下した。CLAHEの使用により、精度は99.0%に達し、65.7パーセントポイントの改善が見られた。
• 汎化性能：
  • ベースライン（適応なし）： 真のLOSO評価において、平均精度53.2%（±19.3% 標準偏差）を達成し、誤報率（FAR）は40.9%であった。
  • 適応型（フューショット）： 被験者あたりわずか30フレームの適応フレームで、平均精度96.1%（±4.9% 標準偏差）を達成した。FARは5.5%に低下し、再現率（Recall）は99.2%に達した。
• アブレーション研究：
  • 適応フレーム数を $k=10$ から $k=30$ に増やすことで最大の利得（+34.3 pp）が得られ、これはTTAや時間的平滑化による恩恵を大きく上回った。
  • アーキテクチャの複雑化（例：LSTMや幾何学的特徴の追加）は、単純な微調整よりも性能を向上させることに失敗し、適応型ベースラインよりも低い精度（59.0%）となった。
  • 量子化： 動的2.4 MB（TFLite）に量子化されたMobileNetV2は99.0%の精度を達成し、Hard-Swish活性化関数が重みの丸めによって劣化したMobileNetV3を上回った。
• ボトルネック分析： SSD顔検出ステップは、フル画像分類と比較して12.1パーセントポイントの精度ギャップを生じさせ、これはモデルアーキテクチャの変化による影響を上回るものであった。

意義と主張

本論文は、軽量なドライバー居眠り検知（DDD）の主要な障壁は、ニューラルネットワークの容量ではなく、前処理の堅牢性と被験者固有の校正であると主張している。

• 最適化の再定義： 前処理（特に照明正規化）の改善とデータ適応が、モデルの複雑さをスケールアップすることよりも大きなリターンをもたらすと著者は主張している。検出ハンドオフによって生じる12.1 ppのギャップは、特定された単一のエラー源の中で最大のものである。
• パーソナライゼーションの実現可能性： 結果は、クロス被験者の汎化が、膨大なデータセットや複雑なアーキテクチャを必要とする克服不可能な障壁ではないことを示している。むしろ、最小限のデータ（30フレーム）を用いたパーソナライズされた校正を通じて解決できる。
• 実用的な展開： システムはエッジ展開向けに設計されており、TFLite動的量子化を利用し、（累積的な計算として）フレームあたり40ms未満の予算内に収まるリアルタイム処理パイプラインを備えている。半教師あり適応プロトコルにより、車両の起動時にドライバーが疲労状態を手動でラベル付けすることなく、実世界での展開が可能となる。

本研究は、今後のDDDの取り組みは、さらなるアーキテクチャの革新を追求することではなく、適応データの要求量を減らすこと（メタ学習による）や、これらの適応プロトコルを多様なデータセット（NTH-DDD, ZJU-DRO）で検証することに優先順位を置くべきであると結論付けている。