論文の概要: Can Webcam Gaze Constrain Mesa-Objectives in Driving Models? An Instrument Precision Analysis

• arxiv url: http://arxiv.org/abs/2608.08947v1
• Date: Sun, 09 Aug 2026 22:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.001527
• Title: Can Webcam Gaze Constrain Mesa-Objectives in Driving Models? An Instrument Precision Analysis
• Title（参考訳）: Webcam Gazeは運転モデルにメザオブジェクトを拘束できるか? : 測定精度解析
• Abstract要約: ウェブカメラによる視線追跡によって捉えた人間の視線パターンが、メザ・オブジェクト形成を制限する特権情報として機能するかどうかを検討する。 危険アノテーションと同期した137,663個のフレームレベルの視線サンプルを実ダッシュカムクリップ388本で収集した。 実験では視線から統計的に有意な改善が得られない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current hazard detection systems in autonomous driving may develop mesa objectives, learned internal goals that achieve high training performance through spurious correlations rather than genuine hazard recognition. We investigate whether human gaze patterns, captured via webcam-based eye tracking (WebGazer.js), can serve as privileged information to constrain mesa-objective formation. We collected 137,663 frame-level gaze samples synchronized with hazard annotations across 388 real dashcam clips, then test this hypothesis across two calibration protocols (9-point/45-click and 11-point/440-click), two model architectures (Random Forest and causal Transformer), and five random seeds per experiment with paired t-tests. No experiment yields a statistically significant improvement from gaze (p = 0.919, 0.578, and 0.667 respectively). A geometric analysis reveals the root cause: WebGazer's reported error (~130-257 px depending on configuration) exceeds 93% of detected hazard object sizes (median 36 px), rendering object-level gaze attribution physically impossible at this instrument precision.
• Abstract（参考訳）: 自律運転における現在のハザード検出システムは、真のハザード認識ではなく、刺激的な相関を通じて高いトレーニング性能を達成するためのメサ目標を発達させる可能性がある。 ウェブカメラによる視線追跡(WebGazer.js)によって捉えた人間の視線パターンが、メザ・オブジェクト形成を制限する特権情報として機能するかどうかを検討する。 388個の実ダシュカムクリップでハザードアノテーションと同期した137,663個のフレームレベルのガゼサンプルを収集し,この仮説を2つのキャリブレーションプロトコル(9-point/45-lick,11-point/440-lick)と2つのモデルアーキテクチャ(Random ForestとCousal Transformer)と5つのランダムシード(ペアTテスト)で検証した。 実験では、視線から統計的に有意な改善が得られない(p = 0.919, 0.578, 0.667)。 WebGazerの報告された誤差(構成によっては130-257 px)は、検出された危険物のサイズ(中央36 px)の93%を超える。

関連論文リスト

• A Geometry-Informed Computer Vision Method for Detecting and Examining Overtaking Vehicles From A Bicycle [0.0]
  本稿では,自転車に搭載された1台のカメラからのイベント検出を自動で行う,幾何学インフォームドコンピュータビジョンパイプラインを提案する。 パイプラインは97.8%のリコールを達成し、偽陽性はゼロとなり、車両通過の2.44秒前の平均を達成した。
  論文  参考訳（メタデータ） (2026-06-03T17:41:00Z)
• Cybersecurity-Focused Anomaly Detection in Connected Autonomous Vehicles Using Machine Learning [4.800738030285873]
  連結自動運転車(CAV)の異常検出は、安全で信頼性の高い輸送ネットワークを維持するために不可欠である。 本研究では、車両の挙動をシミュレートし、典型的および非典型的な車両間の相互作用を表すデータセットを生成する異常検出手法について検討する。 機械学習モデルを用いて、異常運転パターンを効果的に同定する。
  論文  参考訳（メタデータ） (2025-06-28T19:11:19Z)
• FuzzRisk: Online Collision Risk Estimation for Autonomous Vehicles based on Depth-Aware Object Detection via Fuzzy Inference [6.856508678236828]
  このフレームワークは異なるアルゴリズムから2組の予測を受け取り、不整合とファジィ推論による衝突リスクを関連付ける。 IoU(Intersection-over-Union)と深度差測定(deep discrepancy measure)に基づいて,2組の予測の不一致が3次元物体検出器の誤差と強く相関していることを実験的に検証した。 AV衝突率によく一致する既存のオフラインメトリックに対してファジィ推論システムを最適化する。
  論文  参考訳（メタデータ） (2024-11-09T20:20:36Z)
• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Monocular 2D Camera-based Proximity Monitoring for Human-Machine Collision Warning on Construction Sites [1.7223564681760168]
  機械事故は建設現場の被害の主な原因の1つである。 人間と機械の衝突を避けるための労働者の近さをモニタリングすることは、建設安全管理に大きな関心を喚起した。 本研究では、通常の2Dカメラのみを用いた近接監視のための新しいフレームワークを提案し、リアルタイムの人間と機械の衝突警告を実現する。
  論文  参考訳（メタデータ） (2023-05-29T07:47:27Z)
• DeepAccident: A Motion and Accident Prediction Benchmark for V2X Autonomous Driving [76.29141888408265]
  本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。 提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
  論文  参考訳（メタデータ） (2023-04-03T17:37:00Z)
• Active Learning of Neural Collision Handler for Complex 3D Mesh Deformations [68.0524382279567]
  3次元変形メッシュにおける衝突の検出と処理を行う頑健な学習アルゴリズムを提案する。 提案手法は教師あり学習法より優れ, 精度は93.8-98.1%である。
  論文  参考訳（メタデータ） (2021-10-08T04:08:31Z)
• Using Visual Anomaly Detection for Task Execution Monitoring [25.23598602351529]
  我々は,カメラやロボットの身体の動きを含むタスクの実行中に発生する動作を予測することを学ぶ。 確率的U-Netアーキテクチャは光学フローを予測するために使用され、ロボットのキネマティクスと3Dモデルはカメラと体の動きをモデル化するために使用される。
  論文  参考訳（メタデータ） (2021-07-29T17:46:23Z)
• Object Rearrangement Using Learned Implicit Collision Functions [61.90305371998561]
  本研究では,シーン内の6DOFオブジェクトのポーズに対して,シーンとクエリ対象点の雲を受け付け,衝突を予測できる学習的衝突モデルを提案する。 我々は,テーブルトップ再構成タスクにおけるモデル予測経路積分(MPPI)ポリシーの一部として,学習された衝突モデルを活用する。 学習モデルは従来のパイプラインよりも優れており、シミュレーションされた衝突クエリのデータセット上では9.8%の精度で学習精度が向上している。
  論文  参考訳（メタデータ） (2020-11-21T05:36:06Z)
• Weakly Supervised 3D Object Detection from Lidar Point Cloud [182.67704224113862]
  高品質な3Dオブジェクト検出器をトレーニングするために、ポイントクラウドデータに手動でラベルをつけるのはむずかしい。 本研究は、3次元物体検出のための弱教師付きアプローチを提案する。 提案手法は,500の弱い注釈付きシーンと534の正確なラベル付き車両インスタンスを用いて,現在のトップリード型全監視検出器の性能を85～95%向上させる。
  論文  参考訳（メタデータ） (2020-07-23T10:12:46Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)

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。