广告
基于面部热图像的个人热舒适预测方法及模型性能对比研究
随着人们对汽车内部舒适性的重视，基于热图像的个人热舒适度预测方法备受关注。本文针对此问题，使用PyTorch框架在NVIDIA GeForce RTX GPU上，对SAM-ResNet34、ResNet34、GoogLeNet、VGG16和MobileNetV2等网络进行训练，并比较它们在个人热舒适度预测上的性能表现。同时，引入了空间注意机制（SAM）以提高模型的性能。本文采用迁移学习策略，解决了图像数据不足、班级不平衡和训练缓慢等问题，以期为汽车内部环境舒适性的提升提供技术支持。
1. 背景与动机
汽车内部环境的舒适性对驾驶者和乘客的体验至关重要。传统的个人热舒适度预测方法往往需要接触式传感器，不够便捷和实时。因此，基于热图像的无创预测方法备受关注。本文旨在比较不同深度学习模型在个人热舒适度预测中的性能，并探讨空间注意机制对模型性能的影响。
2. 方法介绍
本文选取SAM-ResNet34、ResNet34、GoogLeNet、VGG16和MobileNetV2等网络，通过在NVIDIA GeForce RTX GPU上使用PyTorch框架进行训练，构建个人热舒适度预测模型。在SAM-ResNet34和ResNet34的训练阶段，使用高斯分布初始化权值，Adam为优化器。初始学习率设置为0.0001，批大小设置为16，训练epoch设置为100。采用迁移学习策略克服了图像数据不足、班级不平衡和训练缓慢等局限性。
3. 实验设计与结果
在实验设计阶段，我们使用相同的数据集对SAM-ResNet34、ResNet34、GoogLeNet、VGG16和MobileNetV2等五种不同的深度学习模型进行训练。这些模型在预测个人热舒适度方面具有不同的结构和参数设置，我们希望通过比较它们的性能来找出最适合该任务的模型。
我们的数据集包括了来自22名受试者的面部热图像数据，这些数据在模拟车内环境中采集。每张热图像都有相应的标注，标注了不同区域的面部特征，如额头、眼睛、鼻子、嘴巴等。同时，我们将数据集划分为训练集和测试集，以评估模型在未见过的数据上的泛化能力。
在训练阶段，我们使用了迁移学习策略来克服数据不足、班级不平衡和训练缓慢等问题。具体地，在SAM-ResNet34和ResNet34的训练中，我们采用了高斯分布初始化权值，并选用了Adam优化器。初始学习率设定为0.0001，批大小设置为16，训练epoch设置为100。这些参数设置经过多次实验调优，以保证模型训练的稳定性和收敛性。
在实验结果分析阶段，我们将比较各个模型在测试集上的性能表现。我们将评估模型的准确率、精确率、召回率和F1值等指标，以全面地评价模型的预测能力和泛化能力。同时，我们还将分析模型的收敛情况、过拟合问题等，以进一步理解模型的训练过程和性能表现。
文的研究成果可为汽车制造商提供更加智能化的暖通空调系统，从而提升驾驶者和乘客的舒适体验。此外，该研究方法还可应用于其他领域，如室内空调系统、办公室舒适度评估等，具有广泛的市场应用前景。
通过本文的研究，我们对比了不同深度学习模型在个人热舒适度预测上的性能，并分析了空间注意机制对模型性能的影响。我们的研究成果对于提高汽车内部环境舒适性、改善驾驶者和乘客的体验具有重要意义。
广告
编辑推荐
最新资讯
-
满足GB 18285标准的汽油车尾气测试系统及其
2024-05-17 14:17
-
燃油气密测试技术在整车下线的应用及意义
2024-05-17 14:13
-
ADAS标定测试技术在整车下线的应用
2024-05-17 14:10
-
整车下线AVM标定测试技术及设备应用
2024-05-17 14:07
-
基于反力式滚筒制动检验台的轴重与制动测试
2024-05-17 14:02
广告
广告
