隨著人們對汽車內(nèi)部舒適性的重視，基于熱圖像的個人熱舒適度預(yù)測方法備受關(guān)注。本文針對此問題，使用PyTorch框架在NVIDIA GeForce RTX GPU上，對SAM-ResNet34、ResNet34、GoogLeNet、VGG16和MobileNetV2等網(wǎng)絡(luò)進行訓(xùn)練，并比較它們在個人熱舒適度預(yù)測上的性能表現(xiàn)。同時，引入了空間注意機制（SAM）以提高模型的性能。本文采用遷移學(xué)習(xí)策略，解決了圖像數(shù)據(jù)不足、班級不平衡和訓(xùn)練緩慢等問題，以期為汽車內(nèi)部環(huán)境舒適性的提升提供技術(shù)支持。

1. 背景與動機

汽車內(nèi)部環(huán)境的舒適性對駕駛者和乘客的體驗至關(guān)重要。傳統(tǒng)的個人熱舒適度預(yù)測方法往往需要接觸式傳感器，不夠便捷和實時。因此，基于熱圖像的無創(chuàng)預(yù)測方法備受關(guān)注。本文旨在比較不同深度學(xué)習(xí)模型在個人熱舒適度預(yù)測中的性能，并探討空間注意機制對模型性能的影響。

2. 方法介紹

本文選取SAM-ResNet34、ResNet34、GoogLeNet、VGG16和MobileNetV2等網(wǎng)絡(luò)，通過在NVIDIA GeForce RTX GPU上使用PyTorch框架進行訓(xùn)練，構(gòu)建個人熱舒適度預(yù)測模型。在SAM-ResNet34和ResNet34的訓(xùn)練階段，使用高斯分布初始化權(quán)值，Adam為優(yōu)化器。初始學(xué)習(xí)率設(shè)置為0.0001，批大小設(shè)置為16，訓(xùn)練epoch設(shè)置為100。采用遷移學(xué)習(xí)策略克服了圖像數(shù)據(jù)不足、班級不平衡和訓(xùn)練緩慢等局限性。

3. 實驗設(shè)計與結(jié)果

在實驗設(shè)計階段，我們使用相同的數(shù)據(jù)集對SAM-ResNet34、ResNet34、GoogLeNet、VGG16和MobileNetV2等五種不同的深度學(xué)習(xí)模型進行訓(xùn)練。這些模型在預(yù)測個人熱舒適度方面具有不同的結(jié)構(gòu)和參數(shù)設(shè)置，我們希望通過比較它們的性能來找出最適合該任務(wù)的模型。

我們的數(shù)據(jù)集包括了來自22名受試者的面部熱圖像數(shù)據(jù)，這些數(shù)據(jù)在模擬車內(nèi)環(huán)境中采集。每張熱圖像都有相應(yīng)的標注，標注了不同區(qū)域的面部特征，如額頭、眼睛、鼻子、嘴巴等。同時，我們將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，以評估模型在未見過的數(shù)據(jù)上的泛化能力。

在訓(xùn)練階段，我們使用了遷移學(xué)習(xí)策略來克服數(shù)據(jù)不足、班級不平衡和訓(xùn)練緩慢等問題。具體地，在SAM-ResNet34和ResNet34的訓(xùn)練中，我們采用了高斯分布初始化權(quán)值，并選用了Adam優(yōu)化器。初始學(xué)習(xí)率設(shè)定為0.0001，批大小設(shè)置為16，訓(xùn)練epoch設(shè)置為100。這些參數(shù)設(shè)置經(jīng)過多次實驗調(diào)優(yōu)，以保證模型訓(xùn)練的穩(wěn)定性和收斂性。

在實驗結(jié)果分析階段，我們將比較各個模型在測試集上的性能表現(xiàn)。我們將評估模型的準確率、精確率、召回率和F1值等指標，以全面地評價模型的預(yù)測能力和泛化能力。同時，我們還將分析模型的收斂情況、過擬合問題等，以進一步理解模型的訓(xùn)練過程和性能表現(xiàn)。

文的研究成果可為汽車制造商提供更加智能化的暖通空調(diào)系統(tǒng)，從而提升駕駛者和乘客的舒適體驗。此外，該研究方法還可應(yīng)用于其他領(lǐng)域，如室內(nèi)空調(diào)系統(tǒng)、辦公室舒適度評估等，具有廣泛的市場應(yīng)用前景。

通過本文的研究，我們對比了不同深度學(xué)習(xí)模型在個人熱舒適度預(yù)測上的性能，并分析了空間注意機制對模型性能的影響。我們的研究成果對于提高汽車內(nèi)部環(huán)境舒適性、改善駕駛者和乘客的體驗具有重要意義。