May, 2017

预测驾驶员的注意力焦点：DR (eye) VE 项目

PDF
TL;DR本文旨在预测驾驶员的注意力集中情况，提出了一种基于多分支深度架构的计算机视觉模型，集成了三种信息源：原始视频、动态和场景语义，并介绍了 DR (eye) VE，这是迄今为止最大的驾驶场景数据集，结果强调了跨驾驶员共享的注意力模式，可在人车交互和驾驶员注意力分析等多个应用方面受益。
发现论文，激发创造
  • 驾驶员注意力跟踪和分析

    我们提出了一种使用安装在车辆挡风玻璃和仪表盘上的普通摄像头来估计驾驶员凝视点的新方法。该方法通过开发一种卷积网络来同时分析场景图像和驾驶员面部图像，其中包含一个相机校准模块，可以计算表示驾驶员和摄像头系统之间空间配置的嵌入向量，该模块改善了网络的性能并可以进行端到端的联合训练。我们还引入了一种大规模的驾驶数据集，其中包含了真实驾驶情景的图像以及驾驶员面部和凝视数据，对该数据集的实验表明，所提出的方法优于各种基准方法，均方误差为 29.69 像素，相对于场景摄像头的 $1280 {imes} 720$ 分辨率而言，误差较小。

    Apr, 2024

  • 在关键情况下预测驾驶员的注意力

    提出一种新的驾驶员注意力数据收集协议并介绍了一个新的驾驶员注意力数据集 BDD-A，进一步提出了人工加权采样（HWS）方法来构建驾驶员注意力预测模型，该模型不仅表现出比现有模型更好的性能，而且还是基于常规驾驶过程中的实际数据预测的。

    Nov, 2017

  • 理解和建模任务与环境对驾驶员注视分配的影响

    驾驶员注意力、注视预测、任务和环境、显著性和 DR (eye) VE 数据集是该研究的主要关键词和研究领域。

    Oct, 2023

  • 车载环境中的全面视觉解决方案：车内凝视估计

    该研究使用 IVGaze 数据集，提出了一种车内注视估计方法并引入了新的注视金字塔变换器和双流注视金字塔变换器，展示了目前最先进的表现，并探索了注视区域分类的新策略。

    Mar, 2024

  • DADA-2000: 驾驶员专注度能否预测驾驶事故？通过基准测试分析

    本文提出了一个新的基于驾驶员目光追踪和车祸注释的视频基准测试集（DADA-2000），涵盖了 54 种不同类型的车祸，可以更全面地预测即将发生的事故。

    Apr, 2019

  • 使用 RGB-D 传感器进行驾驶员分心检测和识别

    基于 Kinect 和计算机视觉技术，构建了一个有效的模块，用于检测驾驶员注意力分散和识别分散类型，每个子模块独立获得并可用于其他类型的推理，如疲劳检测，并可用于实际汽车系统。

    Feb, 2015

  • 瞄准正确的物品：自动驾驶的引导性语义凝视

    该论文提出了一种基于场景语义和注视信息相结合的自动驾驶注意力预测方法 SAGE，并通过修改自动驾驶的关键预测参数，设计了一个完整的预测框架 SAGE-Net，实验证明 SAGE 在不增加计算量的情况下，可以优于现有技术 87.5% 的案例。

    Nov, 2019

  • 驾驶员视线估计与视线行为理解应用综述

    本文旨在全面回顾驾驶员凝视基础知识、估计驾驶员凝视的方法以及其在现实世界驾驶场景中的应用，包括了算法、数据集、驾驶行为等方面，并讨论了现有文献中的局限性、挑战和未来的研究方向。

    Jul, 2023

  • 人类视觉注意引导的周边 - 中央多分辨率驾驶模型

    本文提出了一种基于人眼视觉的全景 - 中央凹多尺度驾驶模型，通过预测司机注视点的位置来改进驾驶性能，实现了在行人所涉及的危急情况下驾驶准确度的显著提高。

    Mar, 2019

  • 建模自上而下对驾驶员注意力的影响时的数据限制

    通过分析四个大规模公共数据集，本研究探讨了驾驶员注视预测算法的数据限制，并提出了对未来数据收集和处理的建议。

    Apr, 2024