1.基于轻量级类八维卷积神经网络的驾驶分心识别方法，其特征在于：该方法头部阶段、特征提取阶段和最后阶段。

2.根据权利要求1所述的基于轻量级类八维卷积神经网络的驾驶分心识别方法，其特征在于：所述头部阶段为：设 为具有高度HU、宽度WU和通道CU的输入图像；通过标准的跨步卷积降采样空间分辨率和通道扩展，可以得头部阶段的输出特征图其中 σ， 和

分别表示位置坐标，h-swish激活函数，标准卷积核，局部邻域和跨步大小；

3.根据权利要求2所述的基于轻量级类八维卷积神经网络的驾驶分心识别方法，其特征在于：所述特征提取阶段为：让 分别作为第n个OCLM块在特征提取阶段的输入和输出特征图； 在一个特定的OCLM操作中， 被M个点卷积操作分割成M个分支，从而产生一个扩展的输入特征图 其中m＝1,

2,...,M； 的计算过程如下所示：其中 和 分别表示点卷积的卷积核和局部邻域；

在随后的操作中以低频和高频方式学习 对于低频学习，使用平均池化操作对下采样以获得低频输入特征图，即其中p＝{1,2,...pmax}，ZA和SA分别表示低频路径，卷积核大小和跨步；将pmax，ZA和SA都选择为2；然后，对 进行深度方向卷积运算，以获得低频输出特征图其中

表示第p条低频路径上深度方向卷积的卷积核和局部邻域；为实现后续不同空间分辨率的特征图的信息融合，对 进行上采样，从而生成具有高分辨率的特征图其中λ是最接近插值的上采样因子，取2；

对于高频学习， 被视为输入特征张量；保持该张量的空间分辨率不变，可以通过深度方向卷积操作获得第n个块 的第m个分支的高频输出特征图；

其中

和q＝{1,2,...,qmax}分别表示深度方向卷积的卷积核和局部邻域；qmax取1；

在学习不同的频率信息后，将所有M个分支级联起来以形成融合特征图 过程为：其中 融合通道的大小计算公式为 然后采用SE模块来学习更重要的特征通道，以助于有选择地强调有用的特征并抑制无用的特征；

SE模块中的操作顺序如下：

其中， 和 分别表示SE模块中全局平均池(GAP)激励层和缩放层的输出；激励层和缩放层的点卷积的卷积核分别由 和-x

表示；sigmoid激活函数为sigmoid(x)＝1/(1+e )；缩放操作表示特征图F与向量f之间的按通道乘法；在OLCM块的末尾，采用具有线性激活函数的点卷积在通道之间融合多尺度信息并压缩通道数，通过以下方式获得第n个OLCM块的最终输出：其中 和 分别是第n个OLCM块末尾点卷积的卷积核和局部邻域。

4.根据权利要求3所述的基于轻量级类八维卷积神经网络的驾驶分心识别方法，其特征在于：所述最后阶段为：通过串联N个OLCM块来显着减少特征提取阶段的计算量，其中在每个块的末尾由点卷积操作压缩特征图的通道数；最后一个OLCM块中的特征图 在被作为最后阶段的输入特征图时会遇到通道瓶颈，在最后阶段的起始使用点卷积操作用于丰富 的通道语义信息，从而产生扩展的特征图其中 和 分别是最后阶段开始时点卷积的卷积核和局部邻域；然后使用SE模块进一步促进对敏感信息的过滤，即 其中 表示过滤后的特征图；为产生全局信息描述符，对 进行全局平均池化，即，不对 使用全连接结构得到分类结果，而是使用两组点卷积来获得预测矢量 作为最终softmax函数的输入，其中Nc是类别总数；

其中， 和 分别表示两个点卷积内核和第i类的预测分数。