論文の概要: AHMF: Adaptive Hybrid-Memory-Fusion Model for Driver Attention Prediction

• arxiv url: http://arxiv.org/abs/2407.17442v1
• Date: Wed, 24 Jul 2024 17:19:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 12:55:41.699762
• Title: AHMF: Adaptive Hybrid-Memory-Fusion Model for Driver Attention Prediction
• Title（参考訳）: AHMF:運転注意予測のための適応型ハイブリッドメモリフュージョンモデル
• Authors: Dongyang Xu, Qingfan Wang, Ji Ma, Xiangyun Zeng, Lei Chen,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 14.609639142688035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate driver attention prediction can serve as a critical reference for intelligent vehicles in understanding traffic scenes and making informed driving decisions. Though existing studies on driver attention prediction improved performance by incorporating advanced saliency detection techniques, they overlooked the opportunity to achieve human-inspired prediction by analyzing driving tasks from a cognitive science perspective. During driving, drivers' working memory and long-term memory play crucial roles in scene comprehension and experience retrieval, respectively. Together, they form situational awareness, facilitating drivers to quickly understand the current traffic situation and make optimal decisions based on past driving experiences. To explicitly integrate these two types of memory, this paper proposes an Adaptive Hybrid-Memory-Fusion (AHMF) driver attention prediction model to achieve more human-like predictions. Specifically, the model first encodes information about specific hazardous stimuli in the current scene to form working memories. Then, it adaptively retrieves similar situational experiences from the long-term memory for final prediction. Utilizing domain adaptation techniques, the model performs parallel training across multiple datasets, thereby enriching the accumulated driving experience within the long-term memory module. Compared to existing models, our model demonstrates significant improvements across various metrics on multiple public datasets, proving the effectiveness of integrating hybrid memories in driver attention prediction.
• Abstract（参考訳）: 正確な運転注意予測は、交通シーンを理解し、情報的な運転決定を行う際に、インテリジェントな車両にとって重要な基準となる。 運転注意予測に関する既存の研究は、高度なサリエンシ検出技術を導入して性能を向上させたが、認知科学の観点からの運転タスクの分析により、人間にインスパイアされた予測を実現する機会を見落としていた。 運転中、運転者の作業記憶と長期記憶は、それぞれシーン理解と経験検索において重要な役割を担っている。 それらは共に状況認識を形成し、ドライバーが現在の交通状況を素早く理解し、過去の運転経験に基づいて最適な判断を下すように促す。 本稿では、これらの2種類のメモリを明示的に統合するために、より人間的な予測を実現するために、適応型ハイブリッドメモリフュージョン(AHMF)ドライバ注意予測モデルを提案する。 具体的には、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、ワーキングメモリを形成する。 そして、最終予測のために、長期記憶から類似した状況体験を適応的に検索する。 ドメイン適応技術を利用することで、モデルは複数のデータセットにまたがる並列トレーニングを実行し、長期記憶モジュール内の蓄積された駆動エクスペリエンスを向上する。 既存モデルと比較して,本モデルでは,複数の公開データセット上での様々な指標の大幅な改善が示され,運転注意予測にハイブリッドメモリを組み込むことの有効性が証明された。

関連論文リスト

• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• 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)
• 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)
• 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)
• Adversarial Memory Networks for Action Prediction [95.09968654228372]
  アクション予測は、今後の人間の行動を部分的に観察されたビデオで推測することを目的としている。 本稿では,ある部分的ビデオクエリに"フルビデオ"機能コンディショニングを生成するために,AMemNet(Adversarial memory network)を提案する。
  論文  参考訳（メタデータ） (2021-12-18T08:16:21Z)
• 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)
• Markov Switching Model for Driver Behavior Prediction: Use cases on Smartphones [4.576379639081977]
  スマートフォンを用いた低コストデータ収集ソリューションによって検証された運転行動切替モデルを提案する。 提案モデルでは,短時間の運転行動を予測するために,実データを用いて検証を行う。
  論文  参考訳（メタデータ） (2021-08-29T09:54:05Z)
• Divide-and-Conquer for Lane-Aware Diverse Trajectory Prediction [71.97877759413272]
  軌道予測は、自動運転車が行動を計画し実行するための安全クリティカルなツールです。 近年の手法は,WTAやベスト・オブ・マニーといったマルチコース学習の目標を用いて,強力なパフォーマンスを実現している。 我々の研究は、軌道予測、学習出力、そして運転知識を使って制約を課すことによるより良い予測における2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2021-04-16T17:58:56Z)
• Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
  本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。 また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。 提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
  論文  参考訳（メタデータ） (2020-05-18T11:29:38Z)

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。