論文の概要: Towards explainable artificial intelligence (XAI) for early anticipation
of traffic accidents
- arxiv url: http://arxiv.org/abs/2108.00273v1
- Date: Sat, 31 Jul 2021 15:53:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-05 01:30:33.587423
- Title: Towards explainable artificial intelligence (XAI) for early anticipation
of traffic accidents
- Title（参考訳）: 交通事故の早期予測のための説明可能な人工知能(XAI)を目指して
- Authors: Muhammad Monjurul Karim, Yu Li, Ruwen Qin
- Abstract要約: 事故予測モデルは、事故が起こる前に迅速に正確に事故を予測することを目的としている。
既存の人工知能(AI)モデルでは、事故の予測には、意思決定に関する人間解釈可能な説明が欠けている。
本稿では,ダッシュカム映像データから交通事故の早期予測のための地図時間的特徴を学習するGated Recurrent Unit (RU) ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 8.34084323253809
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic accident anticipation is a vital function of Automated Driving
Systems (ADSs) for providing a safety-guaranteed driving experience. An
accident anticipation model aims to predict accidents promptly and accurately
before they occur. Existing Artificial Intelligence (AI) models of accident
anticipation lack a human-interpretable explanation of their decision-making.
Although these models perform well, they remain a black-box to the ADS users,
thus difficult to get their trust. To this end, this paper presents a Gated
Recurrent Unit (GRU) network that learns spatio-temporal relational features
for the early anticipation of traffic accidents from dashcam video data. A
post-hoc attention mechanism named Grad-CAM is integrated into the network to
generate saliency maps as the visual explanation of the accident anticipation
decision. An eye tracker captures human eye fixation points for generating
human attention maps. The explainability of network-generated saliency maps is
evaluated in comparison to human attention maps. Qualitative and quantitative
results on a public crash dataset confirm that the proposed explainable network
can anticipate an accident on average 4.57 seconds before it occurs, with
94.02% average precision. In further, various post-hoc attention-based XAI
methods are evaluated and compared. It confirms that the Grad-CAM chosen by
this study can generate high-quality, human-interpretable saliency maps (with
1.42 Normalized Scanpath Saliency) for explaining the crash anticipation
decision. Importantly, results confirm that the proposed AI model, with a
human-inspired design, can outperform humans in the accident anticipation.
- Abstract（参考訳）: 交通事故予測は、安全保証運転体験を提供するための自動運転システム(ADS)の重要な機能である。
事故予測モデルは、事故の発生前に迅速かつ正確に事故を予測することを目的としている。
既存の人工知能(AI)モデルでは、事故の予測には、意思決定に関する人間解釈可能な説明が欠けている。
これらのモデルはよく機能するが、ADSユーザーにはブラックボックスのままであり、信頼を得るのは難しい。
そこで本稿では,ダッシュカム映像データから交通事故の早期予測のための時空間的特徴を学習するGRU(Gated Recurrent Unit)ネットワークを提案する。
事故予知決定の視覚的説明として,Grad-CAMというポストホックアテンション機構をネットワークに統合し,サリエンシマップを生成する。
目追跡装置は、人間の注意マップを生成するための人間の目固定点をキャプチャする。
ネットワーク生成塩分マップの解説性は,人間の注意度マップと比較して評価した。
パブリッククラッシュデータセットの質的かつ定量的な結果は、提案された説明可能なネットワークが平均4.57秒前に事故を予測できることを確認した。
さらに, ポストホックアテンションに基づくXAI手法の評価と比較を行った。
本研究で選択されたgrad-camは,クラッシュ予測決定を説明するために,高品質で人間に解釈可能なサリエンシーマップ(正規化スキャンパスサリエンシー 1.42)を生成できることを確認した。
重要なのは、提案するaiモデルは、人間にインスパイアされたデザインで、事故予測で人間を上回ることができることだ。
関連論文リスト
- Exploring the Potential of Multi-Modal AI for Driving Hazard Prediction [18.285227911703977]
本稿では,車載ダッシュカムが捉えた単一入力画像を用いて,差し迫った事故を予測するためのタスクとして定式化する。
この問題は、不確実な観測に基づいて将来の出来事を予測し、推論する必要がある。
この調査対象領域の研究を可能にするために、DHPRデータセットと呼ばれる新しいデータセットが作成される。
論文 参考訳（メタデータ） (2023-10-07T03:16:30Z) - Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction [6.570852598591727]
Stemporal Zero-Inflated Tweedie Graph Neural Network STZITZTDGNNは,道路交通事故予測における最初の不確実性を考慮したグラフ深層学習モデルである。
本研究は,STIDGNNが対象道路の監視を効果的に行い,都市道路の安全対策を改善することを実証するものである。
論文 参考訳（メタデータ） (2023-09-10T16:35:47Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - Cognitive Accident Prediction in Driving Scenes: A Multimodality
Benchmark [77.54411007883962]
本研究では,視覚的観察と運転者の注意に対する人為的な文章記述の認識を効果的に活用し,モデルトレーニングを容易にする認知事故予測手法を提案する。
CAPは、注意テキスト〜ビジョンシフト融合モジュール、注意シーンコンテキスト転送モジュール、運転注意誘導事故予測モジュールによって構成される。
我々は,1,727件の事故ビデオと219万フレーム以上の大規模ベンチマークを構築した。
論文 参考訳（メタデータ） (2022-12-19T11:43:02Z) - FBLNet: FeedBack Loop Network for Driver Attention Prediction [75.83518507463226]
非客観的運転経験はモデル化が難しい。
本稿では,運転経験蓄積過程をモデル化するFeedBack Loop Network (FBLNet)を提案する。
インクリメンタルな知識の指導のもと、私たちのモデルは入力画像から抽出されたCNN特徴とトランスフォーマー特徴を融合し、ドライバーの注意を予測します。
論文 参考訳（メタデータ） (2022-12-05T08:25:09Z) - Driving Anomaly Detection Using Conditional Generative Adversarial
Network [26.45460503638333]
本研究では,条件付き生成逆数ネットワーク(GAN)を用いた運転異常の定量化手法を提案する。
この手法は、事前に観測された信号にモデルを条件付けすることで、今後の運転シナリオを予測する。
結果は知覚的評価によって検証され、アノテータは高い異常スコアで検出されたビデオのリスクと親しみやすさを評価するよう依頼される。
論文 参考訳（メタデータ） (2022-03-15T22:10:01Z) - Safety-aware Motion Prediction with Unseen Vehicles for Autonomous
Driving [104.32241082170044]
本研究では,無人運転用無人車を用いた新しい作業,安全を意識した動作予測手法について検討する。
既存の車両の軌道予測タスクとは異なり、占有率マップの予測が目的である。
私たちのアプローチは、ほとんどの場合、目に見えない車両の存在を予測できる最初の方法です。
論文 参考訳（メタデータ） (2021-09-03T13:33:33Z) - DRIVE: Deep Reinforced Accident Anticipation with Visual Explanation [36.350348194248014]
交通事故予測は、ダッシュカムビデオから将来の事故の発生を正確にかつ迅速に予測することを目的としている。
既存のアプローチは通常、将来の事故が起こる前に、空間的および時間的文脈の手がかりを捉えることに重点を置いている。
本稿では, DRIVE という視覚表現を用いた深部強化型事故予測手法を提案する。
論文 参考訳（メタデータ） (2021-07-21T16:33:21Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳（メタデータ） (2021-02-12T18:17:12Z) - Uncertainty-based Traffic Accident Anticipation with Spatio-Temporal
Relational Learning [30.59728753059457]
交通事故予測は、できるだけ早くダッシュカムビデオから事故を予測することを目的としている。
現在の決定論的ディープニューラルネットワークは、誤った予測では過信される可能性がある。
本稿では,関係時間学習を用いた不確実性に基づく事故予測モデルを提案する。
論文 参考訳（メタデータ） (2020-08-01T20:21:48Z) - Driver Intention Anticipation Based on In-Cabin and Driving Scene
Monitoring [52.557003792696484]
本稿では,車内映像と交通シーン映像の両方に基づいて運転者の意図を検出する枠組みを提案する。
本フレームワークは,83.98%,F1スコア84.3%の精度で予測を行う。
論文 参考訳（メタデータ） (2020-06-20T11:56:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。