Apr, 2024

SCOUT+: 实现实际任务驱动的驾驶员注视预测

PDF
TL;DR精确预测驾驶员的凝视是基于视觉的驾驶员监控和辅助系统的重要组成部分，本文介绍了一种使用 GPS 数据对任务和环境进行建模的驾驶员凝视预测模型 SCOUT+，并证明了其相对于底层模型和顶层模型 SCOUT 在两个数据集上的改进效果。
drivers' gazevision-based driver monitoringtask and context modelingscout+gps data
发现论文，激发创造
  • 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

  • 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

  • CUEING：一项为自动驾驶编码人类凝视的先驱工作

    该论文提出了一种自适应的方法来清洗现有的人类凝视数据集，并提出了一个健壮的卷积自我注意凝视预测模型，实验证明我们的清洗方法和模型能够显著提高 ADS 性能和泛化能力。

    May, 2023

  • 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

  • SCOUT: 社交一致且易理解的图形注意力网络，用于车辆和 VRU 的轨迹预测

    本研究提出了一种基于图神经网络和关注机制的 SCOUT 系统用于模拟自主驾驶车辆和 VRUs 的路径规划，并在 InD 和 ApolloScape 轨迹基准测试中达到超越现有技术的表现，同时也验证了该模型的灵活性和可转移能力，通过 Integrated Gradients 技术和关注可视化方式来探索互动交互在预测中的作用和影响。

    Feb, 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

  • 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

  • 通过学习任务相关关注转换预测主观视角视频中的凝视

    通过探索注意转移中的时间偏移模式（注意转换）来提出一种新的计算模型，它取决于自我操作任务，以在自然动态场景中推测视线， 并结合深度神经网络和进阶的注意转移和底层显著性预测，利用视线的时间上下文，能够显著优于其他预测方法。

    Mar, 2018

  • 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