論文の概要: Gated Driver Attention Predictor
- arxiv url: http://arxiv.org/abs/2308.02530v1
- Date: Tue, 1 Aug 2023 03:59:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-14 01:09:11.408924
- Title: Gated Driver Attention Predictor
- Title(参考訳): ゲート運転者注意予測装置
- Authors: Tianci Zhao, Xue Bai, Jianwu Fang, and Jianru Xue
- Abstract要約: Gate-DAPは、運転シナリオにおける異なる空間的、時間的、モダリティ情報の重要性を学ぶことを目的としている。
Gate-DAPのアーキテクチャは、ドライバーの注意を予測するための空間的、時間的、情報タイプの違いを評価するために透過的である。
- 参考スコア(独自算出の注目度): 20.318164248145038
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Driver attention prediction implies the intention understanding of where the
driver intends to go and what object the driver concerned about, which commonly
provides a driving task-guided traffic scene understanding. Some recent works
explore driver attention prediction in critical or accident scenarios and find
a positive role in helping accident prediction, while the promotion ability is
constrained by the prediction accuracy of driver attention maps. In this work,
we explore the network connection gating mechanism for driver attention
prediction (Gate-DAP). Gate-DAP aims to learn the importance of different
spatial, temporal, and modality information in driving scenarios with various
road types, occasions, and light and weather conditions. The network connection
gating in Gate-DAP consists of a spatial encoding network gating,
long-short-term memory network gating, and information type gating modules.
Each connection gating operation is plug-and-play and can be flexibly
assembled, which makes the architecture of Gate-DAP transparent for evaluating
different spatial, temporal, and information types for driver attention
prediction. Evaluations on DADA-2000 and BDDA datasets verify the superiority
of the proposed method with the comparison with state-of-the-art approaches.
The code is available on https://github.com/JWFangit/Gate-DAP.
- Abstract(参考訳): 運転注意予測は、運転者がどこに行くつもりで、運転者が何に関心を持つのかを意図的に理解することを意味する。
近年のいくつかの研究は、事故や事故のシナリオにおける運転注意予測を探求し、運転注意図の予測精度によって促進能力が制限される一方、事故予知を支援する上で肯定的な役割を見出している。
本研究では,運転注意予測(Gate-DAP)のためのネットワーク接続ゲーティング機構について検討する。
Gate-DAPは、様々な道路タイプ、機会、光および気象条件の運転シナリオにおいて、異なる空間的、時間的、モダリティ情報の重要性を学習することを目的としている。
Gate-DAPにおけるネットワーク接続ゲーティングは、空間符号化ネットワークゲーティング、長期記憶ネットワークゲーティング、情報型ゲーティングモジュールからなる。
各接続ゲーティング操作はプラグアンドプレイであり、柔軟に組み立てることができ、ゲートdapのアーキテクチャを透明にして、異なる空間的、時間的、情報型のドライバー注意予測を評価する。
DADA-2000およびBDDAデータセットの評価は、提案手法の優位性と最先端手法との比較を検証した。
コードはhttps://github.com/JWFangit/Gate-DAPで公開されている。
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) - SCOUT+: Towards Practical Task-Driven Drivers' Gaze Prediction [12.246649738388388]
SCOUT+はドライバーの視線予測のためのタスクおよびコンテキスト認識モデルである。
DR(eye)VEとBDD-Aの2つのデータセットでモデルを評価する。
論文 参考訳(メタデータ) (2024-04-12T18:29:10Z) - G-MEMP: Gaze-Enhanced Multimodal Ego-Motion Prediction in Driving [71.9040410238973]
我々は、視線データを用いて、運転者の車両のエゴ軌道を推定することに集中する。
次に、GPSとビデオ入力と視線データを組み合わせた新しいマルチモーダルエゴ軌道予測ネットワークであるG-MEMPを開発する。
その結果,G-MEMPは両ベンチマークにおいて最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-13T23:06:30Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - CEMFormer: Learning to Predict Driver Intentions from In-Cabin and
External Cameras via Spatial-Temporal Transformers [5.572431452586636]
CEM(Cross-View Episodic Memory Transformer)と呼ばれる新しいフレームワークを導入する。
CEMは統合メモリ表現を使用して、ドライバーの意図予測を改善する。
本稿では,運転コンテキストを補助的監視信号として組み込んで予測性能を向上させる新しいコンテキスト一貫性損失を提案する。
論文 参考訳(メタデータ) (2023-05-13T05:27:36Z) - 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) - Predicting Pedestrian Crossing Intention with Feature Fusion and
Spatio-Temporal Attention [0.0]
歩行者の交差の意図は都市運転のためにリアルタイムで認識されるべきです。
最近の研究は、このタスクに視覚ベースのディープニューラルネットワークモデルを使用することの可能性を示している。
本研究は,歩行者横断意図予測において,本質的に異なる時間的特徴を融合するニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-04-12T14:10:25Z) - IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。
当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
論文 参考訳(メタデータ) (2021-01-20T00:31:52Z) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z)
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。