論文の概要: Predicting decision-making in the future: Human versus Machine

• arxiv url: http://arxiv.org/abs/2110.04465v1
• Date: Sat, 9 Oct 2021 05:58:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-17 03:55:39.459034
• Title: Predicting decision-making in the future: Human versus Machine
• Title（参考訳）: 未来の意思決定を予測する:人間対機械
• Authors: Hoe Sung Ryu, Uijong Ju, Christian Wallraven
• Abstract要約: ディープニューラルネットワーク(DNN)は、データ予測において著しく成功している。 これらのシステムは実際に、人間と同じような出来事を"理解"しているのか? 本稿では,運転シミュレーションにおいて,事故現場から撮影した映像を用いてこの問題に対処する。
• 参考スコア（独自算出の注目度）: 4.254099382808598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks (DNNs) have become remarkably successful in data prediction, and have even been used to predict future actions based on limited input. This raises the question: do these systems actually "understand" the event similar to humans? Here, we address this issue using videos taken from an accident situation in a driving simulation. In this situation, drivers had to choose between crashing into a suddenly-appeared obstacle or steering their car off a previously indicated cliff. We compared how well humans and a DNN predicted this decision as a function of time before the event. The DNN outperformed humans for early time-points, but had an equal performance for later time-points. Interestingly, spatio-temporal image manipulations and Grad-CAM visualizations uncovered some expected behavior, but also highlighted potential differences in temporal processing for the DNN.
• Abstract（参考訳）: 深層ニューラルネットワーク(dnn)はデータ予測において著しく成功しており、限られた入力に基づいて将来の行動を予測するためにも使われている。 これらのシステムは実際には、人間に似たイベントを“理解”するのでしょうか? ここでは,運転シミュレーションにおいて事故状況から撮影した映像を用いてこの問題に対処する。 この状況では、ドライバーは突然現れる障害物に衝突するか、以前に示唆された崖から車を操縦するかを選択する必要があった。 我々は、人間とDNNが、この決定をイベントの前の時間の関数としていかにうまく予測したかを比較した。 DNNは初期のタイムポイントでは人間よりも優れていたが、後のタイムポイントでは同等のパフォーマンスであった。 興味深いことに、時空間的な画像操作とGrad-CAM視覚化は、期待される振る舞いを明らかにしたが、DNNの時間的処理の潜在的な違いも強調した。

関連論文リスト

• Adaptive Human Trajectory Prediction via Latent Corridors [49.13061580045407]
  シーン固有の適応軌道予測の問題を定式化する。 本稿では,潜伏回廊と呼ばれる即時チューニングにインスパイアされた新しい適応手法を提案する。 0.1%の追加モデルパラメータでは、MOTシンスシミュレーションデータの改善が23.9%、MOTおよびワイルドトラックにおけるADEが16.4%となる。
  論文  参考訳（メタデータ） (2023-12-11T18:59:12Z)
• Understanding Time Variations of DNN Inference in Autonomous Driving [22.363568037281805]
  ディープニューラルネットワーク(DNN)は、認識、決定、制御の精度が高いため、自律運転に広く利用されている。 本研究では,6つの視点からDNN推論の時間変化を詳細に解析する。
  論文  参考訳（メタデータ） (2022-09-12T15:20:45Z)
• Pedestrian 3D Bounding Box Prediction [83.7135926821794]
  我々は、自動運転車の複雑な動きの詳細をモデル化せずに、人間の合理的な推定値である3Dバウンディングボックスに焦点を当てる。 本稿では, 歩行者の3次元境界ボックス予測のための, 単純かつ効果的なモデルを提案する。 この方法は、繰り返しニューラルネットワークに基づくエンコーダ・デコーダアーキテクチャに従う。
  論文  参考訳（メタデータ） (2022-06-28T17:59:45Z)
• Towards explainable artificial intelligence (XAI) for early anticipation of traffic accidents [8.34084323253809]
  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。
  論文  参考訳（メタデータ） (2021-07-31T15:53:32Z)
• Learning to Anticipate Egocentric Actions by Imagination [60.21323541219304]
  我々は,エゴセントリックなアクション予測タスクについて検討し,エゴセントリックなビデオの再生に先立って,将来のアクション秒を予測する。 本手法は, EPIC Kitchens Action Precipation Challenge の既視テストセットと未確認テストセットの両方において, 従来手法を有意に上回った。
  論文  参考訳（メタデータ） (2021-01-13T08:04:10Z)
• The PREVENTION Challenge: How Good Are Humans Predicting Lane Changes? [0.0]
  本稿では,高速道路のシナリオにおける車線変化を予測する能力について分析する。 ユーザーは車線変更操作が行われていると考えた瞬間を示す必要がありました。 得られた結果は慎重に分析され、地上の真理ラベルと比較された。
  論文  参考訳（メタデータ） (2020-09-11T10:47:07Z)
• It Is Not the Journey but the Destination: Endpoint Conditioned Trajectory Prediction [59.027152973975575]
  フレキシブルな人間の軌道予測のための予測条件付きネットワーク(PECNet)を提案する。 PECNetは長距離マルチモーダル軌道予測を支援するために遠方のエンドポイントを推論する。 我々は、PECNetがスタンフォードドローン軌道予測ベンチマークの最先端性能を20.9%改善し、ETH/UCYベンチマークの40.8%向上したことを示す。
  論文  参考訳（メタデータ） (2020-04-04T21:27:13Z)
• Event-Based Angular Velocity Regression with Spiking Networks [51.145071093099396]
  スパイキングニューラルネットワーク(SNN)は、数値ではなく時間スパイクとして伝達される情報を処理する。 本稿では,イベントカメラから与えられた事象の時間回帰問題を初めて提案する。 角速度回帰を行うためにSNNをうまく訓練できることが示される。
  論文  参考訳（メタデータ） (2020-03-05T17:37:16Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。