論文の概要: Inspired by Norbert Wiener: FeedBack Loop Network Learning Incremental
Knowledge for Driver Attention Prediction and Beyond
- arxiv url: http://arxiv.org/abs/2212.02096v1
- Date: Mon, 5 Dec 2022 08:25:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 17:34:58.484831
- Title: Inspired by Norbert Wiener: FeedBack Loop Network Learning Incremental
Knowledge for Driver Attention Prediction and Beyond
- Title(参考訳): norbert wiener氏の着想: フィードバックループネットワーク学習によるドライバー注意予測のためのインクリメンタル知識
- Authors: Yilong Chen, Zhixiong Nan
- Abstract要約: 非目的運転経験のモデル化は困難であり,既存手法では運転経験蓄積手順を模擬する機構が欠如している。
本稿では,運転経験蓄積手順をモデル化するFeedBack Loop Network (FBLNet)を提案する。
我々のモデルは既存の手法に対して強い優位性を示し、3つの公開データセットで平均10.3%のパフォーマンス改善を実現している。
- 参考スコア(独自算出の注目度): 3.090451405950356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of predicting driver attention from the driving perspective is
gaining the increasing research focuses due to its remarkable significance for
autonomous driving and assisted driving systems. Driving experience is
extremely important for driver attention prediction, a skilled driver is able
to effortlessly predict oncoming danger (before it becomes salient) based on
driving experience and quickly pay attention on the corresponding zones.
However, the nonobjective driving experience is difficult to model, so a
mechanism simulating driver experience accumulation procedure is absent in
existing methods, and the existing methods usually follow the technique line of
saliency prediction methods to predict driver attention. In this paper, we
propose a FeedBack Loop Network (FBLNet), which attempts to model the driving
experience accumulation procedure. By over-and-over iterations, FBLNet
generates the incremental knowledge that carries rich historically-accumulative
long-term temporal information. The incremental knowledge to our model is like
the driving experience to humans. Under the guidance of the incremental
knowledge, our model fuses the CNN feature and Transformer feature that are
extracted from the input image to predict driver attention. Our model exhibits
solid advantage over existing methods, achieving an average 10.3% performance
improvement on three public datasets.
- Abstract(参考訳): ドライバーの注意を運転の観点から予測する問題は、自動運転と補助運転システムにおいて顕著な重要性から、研究の焦点が増している。
運転経験は運転者の注意の予測に非常に重要であり、熟練したドライバーは運転経験に基づいて入ってくる危険を無力に予測し、対応するゾーンに素早く注意を向けることができる。
しかし,非客観的運転経験をモデル化することは困難であり,既存の手法では運転経験蓄積手順をシミュレートするメカニズムが欠如しており,既存の手法は通常,運転者の注意力を予測するための技術ラインに従う。
本稿では,運転経験の蓄積過程をモデル化するフィードバックループネットワーク(fblnet)を提案する。
オーバー・アンド・オーバーの繰り返しによって、FBLNetは、豊富な歴史的累積的長期的情報を伝達する漸進的な知識を生成する。
私たちのモデルのインクリメンタルな知識は、人間の運転体験のようなものです。
インクリメンタルな知識の指導の下で,入力画像から抽出したCNN特徴とトランスフォーマー特徴を融合し,運転者の注意力を予測する。
提案手法は,3つの公開データセットで平均10.3%の性能改善を達成している。
関連論文リスト
- AHMF: Adaptive Hybrid-Memory-Fusion Model for Driver Attention Prediction [14.609639142688035]
本稿では,AHMF(Adaptive Hybrid-Memory-Fusion)ドライバの注意予測モデルを提案する。
本モデルは、まず、現在のシーンにおける特定の危険刺激に関する情報を符号化し、作業記憶を形成する。その後、長期記憶から同様の状況体験を適応的に回収し、最終的な予測を行う。
論文 参考訳(メタデータ) (2024-07-24T17:19:58Z) - Exploring the Causality of End-to-End Autonomous Driving [57.631400236930375]
本稿では,エンドツーエンド自動運転の因果関係を探究し,分析するための包括的アプローチを提案する。
私たちの研究は、エンドツーエンドの自動運転の謎を初めて明らかにし、ブラックボックスを白い箱に変えた。
論文 参考訳(メタデータ) (2024-07-09T04:56:11Z) - Guiding Attention in End-to-End Driving Models [49.762868784033785]
模倣学習によって訓練された視覚ベースのエンドツーエンドの運転モデルは、自動運転のための安価なソリューションにつながる可能性がある。
トレーニング中に損失項を追加することにより、これらのモデルの注意を誘導し、運転品質を向上させる方法について検討する。
従来の研究とは対照的に,本手法では,テスト期間中にこれらの有意義なセマンティックマップを利用できない。
論文 参考訳(メタデータ) (2024-04-30T23:18:51Z) - TransDARC: Transformer-based Driver Activity Recognition with Latent
Space Feature Calibration [31.908276711898548]
本稿では、視覚変換器に基づく二次運転行動認識のための視覚ベースのフレームワークと、機能分散キャリブレーションモジュールを提案する。
当社のフレームワークは,すべてのレベルにおいて,公的なDrive&Actベンチマークの過去の成果を上回り,認識率を常に向上させています。
論文 参考訳(メタデータ) (2022-03-02T08:14:06Z) - Early Lane Change Prediction for Automated Driving Systems Using
Multi-Task Attention-based Convolutional Neural Networks [8.60064151720158]
レーンチェンジ(英: Lane Change、LC)は、高速道路の運転において、安全上重要な手段の一つである。
自動走行システムの 安全で快適な運転には 確実な予測が不可欠だ
本稿では,LCの操作可能性と時間-車線変化を同時に推定する新しいマルチタスクモデルを提案する。
論文 参考訳(メタデータ) (2021-09-22T13:59:27Z) - 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) - Driver Drowsiness Classification Based on Eye Blink and Head Movement
Features Using the k-NN Algorithm [8.356765961526955]
この研究は、ドライバー監視カメラの信号を用いて、車両内の運転者の眠気検知を拡張することを目的としている。
この目的のために、運転シミュレータ実験において、運転者の点眼行動と頭部運動に関連する35の特徴を抽出する。
最高の特徴セットの分析は、運転者の瞬き行動と頭部の動きに対する眠気の影響についての貴重な洞察を与える。
論文 参考訳(メタデータ) (2020-09-28T12:37:38Z) - Learning Accurate and Human-Like Driving using Semantic Maps and
Attention [152.48143666881418]
本稿では,より正確かつ人間らしく運転できるエンド・ツー・エンド駆動モデルについて検討する。
HERE Technologiesのセマンティックマップとビジュアルマップを活用し、既存のDrive360データセットを拡張します。
私たちのモデルは、実世界の運転データ60時間3000kmのDrive360+HEREデータセットでトレーニングされ、評価されています。
論文 参考訳(メタデータ) (2020-07-10T22:25:27Z) - 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) - Deep Learning with Attention Mechanism for Predicting Driver Intention
at Intersection [2.1699196439348265]
提案手法は、高度運転支援システム(ADAS)および自動運転車のアクティブ安全システムの一部として適用されることを約束している。
提案手法の性能評価を行い,本手法が他の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-06-10T16:12:00Z)
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。