論文の概要: Towards Robust Unsupervised Attention Prediction in Autonomous Driving

• arxiv url: http://arxiv.org/abs/2501.15045v1
• Date: Sat, 25 Jan 2025 03:01:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:59:16.431608
• Title: Towards Robust Unsupervised Attention Prediction in Autonomous Driving
• Title（参考訳）: 自律運転におけるロバスト非監視注意予測に向けて
• Authors: Mengshi Qi, Xiaoyang Bi, Pengfei Zhu, Huadong Ma,
• Abstract要約: 本稿では,自律走行システムに対するロバストな無監督注意予測手法を提案する。 不確かさマイニングブランチは、自然の場面における複数の事前訓練されたモデル間の共通点と相違点を分析して、予測を洗練する。 知識埋め込みブロックは、擬似ラベルを適応的に強化するために駆動知識を取り入れることで、ドメインギャップを橋渡しする。 ソフトアテンションとダイナミックアメンデーションにより, 破損に対する堅牢性を向上する新しいデータアメンデーション手法を提案する。
• 参考スコア（独自算出の注目度）: 40.84001015982244
• License:
• Abstract: Robustly predicting attention regions of interest for self-driving systems is crucial for driving safety but presents significant challenges due to the labor-intensive nature of obtaining large-scale attention labels and the domain gap between self-driving scenarios and natural scenes. These challenges are further exacerbated by complex traffic environments, including camera corruption under adverse weather, noise interferences, and central bias from long-tail distributions. To address these issues, we propose a robust unsupervised attention prediction method. An Uncertainty Mining Branch refines predictions by analyzing commonalities and differences across multiple pre-trained models on natural scenes, while a Knowledge Embedding Block bridges the domain gap by incorporating driving knowledge to adaptively enhance pseudo-labels. Additionally, we introduce RoboMixup, a novel data augmentation method that improves robustness against corruption through soft attention and dynamic augmentation, and mitigates central bias by integrating random cropping into Mixup as a regularizer.To systematically evaluate robustness in self-driving attention prediction, we introduce the DriverAttention-C benchmark, comprising over 100k frames across three subsets: BDD-A-C, DR(eye)VE-C, and DADA-2000-C. Our method achieves performance equivalent to or surpassing fully supervised state-of-the-art approaches on three public datasets and the proposed robustness benchmark, reducing relative corruption degradation by 58.8% and 52.8%, and improving central bias robustness by 12.4% and 11.4% in KLD and CC metrics, respectively. Code and data are available at https://github.com/zaplm/DriverAttention.
• Abstract（参考訳）: 自動運転システムに対する関心領域のロバストな予測は、安全を運転するために不可欠であるが、大規模なアテンションラベルを取得するという労働集約的な性質と、自動運転シナリオと自然のシーンの間のドメインギャップにより、大きな課題を提起する。 これらの課題は、悪天候下でのカメラの破損、ノイズ干渉、ロングテール分布からの中央バイアスなど、複雑な交通環境によってさらに悪化する。 これらの問題に対処するために,頑健な無監督注意予測手法を提案する。 不確かさマイニングブランチは、自然の場面における複数の事前訓練されたモデルの共通点と相違点を分析して予測を洗練し、知識埋め込みブロックは、駆動知識を取り入れてドメインギャップを橋渡し、擬似ラベルを適応的に強化する。 さらに、ソフトアテンションとダイナミックアメンデーションによる汚職に対する堅牢性を改善する新しいデータ強化手法であるRoboMixupを導入し、ランダムトリッピングをリコーダライザとしてMixupに統合することで中心バイアスを軽減するとともに、自律的アテンション予測におけるロバスト性を体系的に評価するために、BDD-A-C、DR(eye)VE-C、DAD-2000-Cの3つのサブセットに100k以上のフレームで構成されるDriverAttention-Cベンチマークを導入する。 提案手法は,3つの公開データセットと提案したロバストネスベンチマークに対して,完全に監督された最先端アプローチに匹敵する性能を達成し,相対的な劣化を58.8%,52.8%,中央バイアスロバストネスを12.4%,CCメトリクスを11.4%向上させる。 コードとデータはhttps://github.com/zaplm/DriverAttention.comで入手できる。

関連論文リスト

• Anomaly Detection in Cooperative Vehicle Perception Systems under Imperfect Communication [4.575903181579272]
  協調認識に基づく異常検出フレームワーク(CPAD)を提案する。 CPADは堅牢なアーキテクチャであり、通信の中断下でも有効である。 実験の結果,本手法はAUCのF1スコアにおける標準異常分類法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-28T22:41:06Z)
• Traffic and Safety Rule Compliance of Humans in Diverse Driving Situations [48.924085579865334]
  安全な運転プラクティスを再現する自律システムを開発するためには、人間のデータを分析することが不可欠だ。 本稿では,複数の軌道予測データセットにおける交通・安全規則の適合性の比較評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T09:21:00Z)
• DSDFormer: An Innovative Transformer-Mamba Framework for Robust High-Precision Driver Distraction Identification [23.05821759499963]
  ドライバーの気晴らしは依然として交通事故の主要な原因であり、世界中の道路安全にとって重大な脅威となっている。 本稿では,Transformer と Mamba アーキテクチャの長所を統合するフレームワークである DSDFormer を提案する。 また、ビデオの時間相関を利用してノイズラベルを洗練させる教師なしアプローチであるTRCL(Temporal Reasoning Confident Learning)も導入した。
  論文  参考訳（メタデータ） (2024-09-09T13:16:15Z)
• The RoboDrive Challenge: Drive Anytime Anywhere in Any Condition [136.32656319458158]
  2024年のRoboDrive Challengeは、駆動認識技術の発展を促進するために作られた。 今年の挑戦は5つの異なるトラックで構成され、11カ国の93の機関から140の登録チームが集まった。 競争は15の最高パフォーマンスのソリューションで頂点に達した。
  論文  参考訳（メタデータ） (2024-05-14T17:59:57Z)
• Edge-Assisted ML-Aided Uncertainty-Aware Vehicle Collision Avoidance at Urban Intersections [12.812518632907771]
  都市横断路におけるプリエンプティブ衝突を検出する新しい枠組みを提案する。 5Gネットワークのマルチアクセスエッジコンピューティングプラットフォームを利用する。
  論文  参考訳（メタデータ） (2024-04-22T18:45:40Z)
• Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
  自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。 潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。 適応過程を監督する信頼性のある信号はターゲット領域に存在しない。 この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-03-27T15:07:55Z)
• Unsupervised Self-Driving Attention Prediction via Uncertainty Mining and Knowledge Embedding [51.8579160500354]
  本研究では、不確実性モデリングと知識統合の駆動による自動運転の注意を予測できる教師なし手法を提案する。 結果は、完全に教師された最先端のアプローチと比較して、同等またはさらに印象的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-03-17T00:28:33Z)
• 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)
• Automatic Clustering for Unsupervised Risk Diagnosis of Vehicle Driving for Smart Road [32.36070272488704]
  本研究では、教師なしリスクアセスメントのための最適モデルを自己学習するためのドメイン固有の自動クラスタリング(Autocluster)を提案する。 発見によると、Autoclusterは信頼性が高く、一般的な運転行動に固有の複数の異なるリスク露光を診断することを約束している。
  論文  参考訳（メタデータ） (2020-11-24T07:15:03Z)

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。