面向驾驶员注意力预测的自适应混合内存融合模型
计算机视觉与模式识别
2024-07-25 v1
摘要
准确的驾驶员注意力预测可作为智能车辆理解交通场景并作出明智驾驶决策的关键参考。虽然现有研究通过融合先进的视角检测技术提高了性能，但忽略了从认知科学视角分析驾驶任务以实现类人预测的机会。驾驶时，驾驶员的工作记忆和长期记忆在场景理解和经验检索中发挥关键作用。二者共同构成情境意识，促使驾驶员快速理解当前交通情况并基于过往驾驶经验作出最佳决策。为显式集成这两种记忆，本文提出了一种自适应混合内存融合（AHMF）驾驶员注意力预测模型，以实现更类人的预测。具体而言，模型首先对当前场景中特定危险刺激的信息进行编码，以形成工作记忆。随后，它自适应检索长期记忆中类似的情境经验以进行最终预测。利用域适应技术，该模型在多个数据集上进行并行训练，从而丰富了长期记忆模块中积累的驾驶经验。与现有模型相比，我们的模型在多个公开数据集上的各种指标上均显示出显著改进，证明了在驾驶员注意力预测中集成混合记忆的有效性。
引用
@article{arxiv.2407.17442,
title = {AHMF: Adaptive Hybrid-Memory-Fusion Model for Driver Attention Prediction},
author = {Dongyang Xu and Qingfan Wang and Ji Ma and Xiangyun Zeng and Lei Chen},
journal= {arXiv preprint arXiv:2407.17442},
year = {2024}
}