建模自上而下效应对驾驶员注意力影响的数据局限性
计算机视觉与模式识别
2024-04-16 v1
摘要
驾驶是一项视觉运动任务，即驾驶员所见与其所为之间存在联系。虽然一些驾驶员注视模型考虑了驾驶员行为的自上而下效应，但大多数模型仅学习人类注视与驾驶画面之间的自下而上相关性。问题的关键在于缺乏带有标注的公开数据，这些数据可用于训练自上而下模型，并评估各类模型在捕捉任务对注意力影响方面的表现。因此，自上而下模型在私有数据上进行训练和评估，而公开基准测试仅衡量模型对人类数据的整体拟合度。本文聚焦于数据局限性，通过考察四个用于训练和评估驾驶员注视预测算法的大规模公开数据集：DR(eye)VE、BDD-A、MAAD和LBW。我们定义了一组已知会影响驾驶员注意力的驾驶任务（横向和纵向操作）和场景要素（交叉路口和通行权），根据上述定义为数据集补充标注，并分析了数据记录和处理流程在捕捉驾驶员所见所为方面的特性。总而言之，本工作的贡献在于：1）量化了公开数据集的偏差；2）检验了当前最先进的自下而上模型在涉及非平凡驾驶员操作的数据子集上的性能；3）将自下而上模型的缺陷与数据局限性联系起来；4）为未来的数据收集和处理提供了建议。新的标注和用于复现结果的代码可在 https://github.com/ykotseruba/SCOUT 获取。
引用
@article{arxiv.2404.08749,
title = {Data Limitations for Modeling Top-Down Effects on Drivers' Attention},
author = {Iuliia Kotseruba and John K. Tsotsos},
journal= {arXiv preprint arXiv:2404.08749},
year = {2024}
}
备注
Accepted at IEEE Intelligent Vehicles Symposium (IV), 2024