行人意图预测中的特征重要性：一种情境感知的综述
计算机视觉与模式识别
2024-09-13 v1 人工智能
机器学习
机器人学
图像与视频处理
摘要
近期在利用计算机视觉和深度神经网络预测自动驾驶车辆中行人过马路意图方面取得了显著进展。然而，深度神经网络的黑箱性质在理解模型工作方式及输入特征对最终预测贡献方面造成了挑战。这种缺乏可解释性限制了对模型性能的信任，阻碍了对特征选择、表示和模型优化的明智决策，从而影响了该领域未来研究的有效性。为此，我们引入情境感知置换特征重要性（CAPFI），一种专为行人意图预测而设计的新方法。CAPFI通过利用子分割情境情境，利用针对性随机置换来减缓特征值随机性，从而实现对特征重要性的更可解释和可靠评估。我们将行人意图估计（PIE）数据集划分为16个可比较情境集合，在每个情境中测量五种不同神经网络架构的基线性能，并使用CAPFI评估输入特征的重要性。我们观察到在各种情境特征下，不同模型之间存在细微差异。研究表明，行人边界框和自驾车速度在预测行人意图方面起关键作用，跨情境置换评估显示速度特征可能导致预测偏差。我们提出一种考虑接近变化率的特征表示，以实现动态行人-车辆运动，从而增强输入特征对意图预测的贡献。这些发现凸显了情境特征及其多样性在开发准确和稳健意图预测模型中的重要性。
引用
@article{arxiv.2409.07645,
title = {Feature Importance in Pedestrian Intention Prediction: A Context-Aware Review},
author = {Mohsen Azarmi and Mahdi Rezaei and He Wang and Ali Arabian},
journal= {arXiv preprint arXiv:2409.07645},
year = {2024}
}