Jul, 2022

CoCAtt: 一份基于认知条件的驾驶员注意力数据集（补充材料）

PDF
TL;DR本研究提出了一个新的驾驶员注意力数据集，CoCAtt，通过使用眼动仪设备来捕捉手动和自动驾驶模式下的注意力数据，包含表述驾驶员分心状态和意图的每帧注释。结果表明，将驾驶状态和意图纳入注意力建模中可以提高驾驶员注意力预测的性能，并且 CoCAtt 是目前自主等级、眼动仪分辨率及驾驶情境最多元和最大的驾驶员注意力数据集。
driver attention predictiondistraction stateintentioncocatt dataseteye-tracking devices
发现论文，激发创造
  • 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

  • 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

  • MAAD: 面向驾驶中 “关注感知” 的模型和数据集

    提出了一种计算模型估计人们对所处环境的注意意识，测试了该模型在驾驶场景中的效果，结果表明该模型能够合理地估计被关注的意识区域，并在视觉显著性、凝视校准和去噪等任务中表现出较好的效果。

    Oct, 2021

  • 带有注意力机制的类脑认知模型在自动驾驶汽车中的应用

    本文提出了一种名为带有注意力的脑启发式认知模型 (CMA) 的自动驾驶模型，该模型可以模拟人类视觉皮层和认知空间，结合实时更新的认知地图来实现注意机制和长短期记忆，同时解决了检测自由空间和当前和相邻车道边界、估算障碍物距离和车辆姿态、学习从人类驾驶员处获取驾驶行为和决策的三项任务，并可以接受外部导航指令。

    Feb, 2017

  • 自动驾驶中的联合注意力 (JAAD)

    本文呈现了用于自动驾驶关键方面的新数据集，介绍了交通参与者行为的可变性，并展示了天气条件、地理位置、交通和人口统计学等因素如何影响交通行为及场景的视觉复杂度。地面真相数据传达了有关参与者位置（边界框）、物理条件（例如照明和速度）和各参与方的行为的信息。

    Sep, 2016

  • 视觉语言任务的因果关注

    本文提出了一种新颖的注意力机制 Causal Attention (CATT)，用于消除现有基于注意力的视觉语言模型中一直存在的混淆效应，CATT 可替换任何注意力模块，可大幅提高各种流行的注意力模型的性能，尤其在大规模预训练中具有潜力。

    Mar, 2021

  • 预测驾驶员的注意力焦点：DR (eye) VE 项目

    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。

    May, 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

  • 司机活动识别的粗糙时间关注网络 (CTA-Net)

    提出了一种名为 Coarse Temporal Attention Network（CTA-Net）的模型来识别驾驶员的活动，该模型利用了时空注意力来建模细微变化，并使用注意机制来生成用于活动识别的高级动作特定背景信息。

    Jan, 2021

  • 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