用于驾驶行为理解的可解释自注意力时序推理
计算机视觉与模式识别
2021-10-11 v1 机器学习
摘要
基于因果推理执行驾驶行为对保障驾驶安全至关重要。本文中，我们研究了当前最优的 3D 卷积神经网络（CNNs）在基于因果推理的驾驶行为分类上的表现。我们提出一种基于扰动的视觉解释方法来直观检视模型表现。通过考察视频注意力显著性，我们发现现有模型无法精确捕捉特定动作（如停车）的原因（如交通灯）。因此，提出并将时序推理模块（TRB）引入模型。借助 TRB 模型，我们取得了 的准确率，优于以往工作的最优 3D CNNs。注意力显著性也表明 TRB 帮助模型更精确地聚焦于原因。通过数值与视觉评估，我们得出结论：所提 TRB 模型能够通过学习行为的因果推理提供准确的驾驶行为预测。
引用
@article{arxiv.1911.02172,
title = {Interpretable Self-Attention Temporal Reasoning for Driving Behavior Understanding},
author = {Yi-Chieh Liu and Yung-An Hsieh and Min-Hung Chen and Chao-Han Huck Yang and Jesper Tegner and Yi-Chang James Tsai},
journal= {arXiv preprint arXiv:1911.02172},
year = {2021}
}
备注
Submitted to IEEE ICASSP 2020; Pytorch code will be released soon