要旨 本研究では、軽量な運転者眠気検知（DDD）における前処理のボトルネックを体系的に調査し、エッジ配備システムにおける精度低下を支配するのはニューラルアーキテクチャではなく、顔検出器から分類器への受け渡しであることを示す。制御されたパイプライン分解により、SSDのバウンディングボックス前処理によって生じる12.1パーセントポイントの精度差を特定した。これは、検証したどのアーキテクチャ変更の影響をも上回る。このボトルネックに対し、以下の三つの貢献を提示する。（1）カメラ条件間の照明分散を正規化するCLAHE適応型前処理により、UTA-RLDDでの分布内精度を99.0％まで向上させ、単一モデルによるデータセット横断転移を可能にした。（2）分類器の出力を覚醒、不確実、疲労の各領域に分割する3領域信頼度プロトコルにより、カバレッジ94.7％の選択的予測を通じて誤警報を排除した。（3）動的量子化の分析により、ReLU活性化を用いるMobileNetV2は精度99.0％を維持したまま2.4MBへ良好に量子化できる一方、hard-swishを用いるMobileNetV3は同一条件下で性能が崩壊することを明らかにした。UTA-RLDDに対する真正な一被験者除外評価（24人、独立した24回の学習）により、データセット横断汎化を検証した。その結果、ベースラインモデルの平均精度は53.2％であったが、テスト時拡張を伴う被験者適応型少数ショット較正によって96.1％まで向上した。42.9パーセントポイントの改善は、個人適応型のエッジ配備DDDが実現可能であることを示す。システム全体のエンドツーエンド遅延は40ミリ秒未満であり、組み込み車載用途に適している。
https://doi.org/10.21203/rs.3.rs-10919060/v1