論文の概要: CUEING: A pioneer work of encoding human gaze for autonomous driving
- arxiv url: http://arxiv.org/abs/2305.15710v1
- Date: Thu, 25 May 2023 04:44:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 17:23:41.946356
- Title: CUEING: A pioneer work of encoding human gaze for autonomous driving
- Title(参考訳): cueing:自動運転のための人間の視線をエンコードする先駆的研究
- Authors: Linfeng Liang, Yiran Wang, Yao Deng, Jianchao Lu, Chen Wang, Xi Zheng
- Abstract要約: 本研究では、既存のヒトの視線データセットを浄化する適応的手法と、頑健な畳み込み自己注意の視線予測モデルを提案する。
我々の測定値によると、我々のクリーニング手法はモデルのパフォーマンスを7.38%向上し、元のデータセットでトレーニングされたものと比較して最大8.24%向上した。
- 参考スコア(独自算出の注目度): 8.40545385368749
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent analysis of incidents involving Autonomous Driving Systems (ADS) has
shown that the decision-making process of ADS can be significantly different
from that of human drivers. To improve the performance of ADS, it may be
helpful to incorporate the human decision-making process, particularly the
signals provided by the human gaze. There are many existing works to create
human gaze datasets and predict the human gaze using deep learning models.
However, current datasets of human gaze are noisy and include irrelevant
objects that can hinder model training. Additionally, existing CNN-based models
for predicting human gaze lack generalizability across different datasets and
driving conditions, and many models have a centre bias in their prediction such
that the gaze tends to be generated in the centre of the gaze map. To address
these gaps, we propose an adaptive method for cleansing existing human gaze
datasets and a robust convolutional self-attention gaze prediction model. Our
quantitative metrics show that our cleansing method improves models'
performance by up to 7.38% and generalizability by up to 8.24% compared to
those trained on the original datasets. Furthermore, our model demonstrates an
improvement of up to 12.13% in terms of generalizability compared to the
state-of-the-art (SOTA) models. Notably, it achieves these gains while
conserving up to 98.12% of computation resources.
- Abstract(参考訳): 近年の自律運転システム(ADS)による事故の分析では、ADSの意思決定プロセスは人間のドライバーと大きく異なる可能性があることが示されている。
ADSの性能を向上させるために、ヒトの意思決定プロセス、特にヒトの視線による信号を統合することが有用である。
人間の視線データセットを作成し、深層学習モデルを用いて人間の視線を予測するための既存の研究は数多く存在する。
しかし、現在の人間の視線のデータセットは騒々しく、モデルトレーニングを妨げる無関係なオブジェクトを含んでいる。
さらに、人間の視線を予測するための既存のCNNベースのモデルは、異なるデータセットや運転条件間での一般化性に欠けており、多くのモデルは、視線マップの中央で視線が生成される傾向にあるという予測において中心バイアスを持つ。
これらのギャップに対処するために、既存のヒトの視線データセットを浄化する適応的手法と、頑健な畳み込み自己注意視線予測モデルを提案する。
我々の定量的指標は、我々のクリーニング手法がモデルのパフォーマンスを最大7.38%改善し、元のデータセットでトレーニングされたものと比較して最大8.24%向上することを示している。
さらに,本モデルでは,最先端(SOTA)モデルと比較して,最大12.13%の一般化性の向上が示されている。
特に、98.12%の計算資源を保持しながら、これらの利益を達成する。
関連論文リスト
- Characterized Diffusion Networks for Enhanced Autonomous Driving Trajectory Prediction [0.6202955567445396]
本稿では,自律走行のための新しい軌道予測モデルを提案する。
本モデルは,不確実性推定と複雑なエージェント相互作用を組み込むことにより,軌道予測の精度と信頼性を向上させる。
提案モデルでは,実環境における自律走行システムへの応用の可能性を示す。
論文 参考訳(メタデータ) (2024-11-25T15:03:44Z) - Efficient Motion Prediction: A Lightweight & Accurate Trajectory Prediction Model With Fast Training and Inference Speed [56.27022390372502]
我々は,1つのGPU上で数時間のトレーニングをしながら,競争力の高いベンチマーク結果を実現する,新しい効率的な動き予測モデルを提案する。
その低推論レイテンシは、特に限られたコンピューティングリソースを持つ自律アプリケーションへのデプロイに適している。
論文 参考訳(メタデータ) (2024-09-24T14:58:27Z) - Towards Human-Like Driving: Active Inference in Autonomous Vehicle Control [0.5437298646956507]
本稿では,アクティブ推論の適用を通じて,自律走行車(AV)制御への新たなアプローチを提案する。
アクティブ推論(英: Active Inference)は、脳を予測機械として概念化する神経科学に由来する理論である。
提案手法は,深層学習と能動推論を統合してAVの側方制御を制御し,シミュレーション都市環境下で車線追従操作を行う。
論文 参考訳(メタデータ) (2024-07-10T14:08:27Z) - Less is More: Efficient Brain-Inspired Learning for Autonomous Driving Trajectory Prediction [26.14918154872732]
本稿では,Human-Like Trajectory Prediction Model (H++)を提案する。
H++は自律運転(AD)の軌道予測を改善するために人間の認知過程をエミュレートする
NGSIM、HighD、MoCADベンチマークを用いて評価すると、H++は既存のモデルよりも優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-07-09T16:42:17Z) - DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。
セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。
本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
論文 参考訳(メタデータ) (2024-03-20T04:58:03Z) - Self-Play Fine-Tuning of Diffusion Models for Text-to-Image Generation [59.184980778643464]
ファインチューニング拡散モデル : 生成人工知能(GenAI)の最前線
本稿では,拡散モデル(SPIN-Diffusion)のための自己演奏ファインチューニングという革新的な手法を紹介する。
提案手法は従来の教師付き微調整とRL戦略の代替として,モデル性能とアライメントの両方を大幅に改善する。
論文 参考訳(メタデータ) (2024-02-15T18:59:18Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳(メタデータ) (2024-01-25T09:18:51Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳(メタデータ) (2023-12-12T06:21:30Z) - Maintaining Stability and Plasticity for Predictive Churn Reduction [8.971668467496055]
我々は,累積モデル組合せ (AMC) という解を提案する。
AMCは一般的な手法であり、モデルやデータ特性に応じてそれぞれ独自の利点を持ついくつかの事例を提案する。
論文 参考訳(メタデータ) (2023-05-06T20:56:20Z) - Robust Trajectory Prediction against Adversarial Attacks [84.10405251683713]
ディープニューラルネットワーク(DNN)を用いた軌道予測は、自律運転システムにおいて不可欠な要素である。
これらの手法は敵の攻撃に対して脆弱であり、衝突などの重大な結果をもたらす。
本研究では,敵対的攻撃に対する軌道予測モデルを保護するための2つの重要な要素を同定する。
論文 参考訳(メタデータ) (2022-07-29T22:35:05Z) - Attentional-GCNN: Adaptive Pedestrian Trajectory Prediction towards
Generic Autonomous Vehicle Use Cases [10.41902340952981]
本稿では,グラフのエッジに注目重みを割り当てることで,歩行者間の暗黙的相互作用に関する情報を集約する,GCNNに基づく新しいアプローチであるAttentional-GCNNを提案する。
提案手法は,10%平均変位誤差 (ADE) と12%最終変位誤差 (FDE) を高速な推論速度で向上することを示す。
論文 参考訳(メタデータ) (2020-11-23T03:13:26Z)
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。